先总结性地回答，美国CS就业，大多数公司并不是特别看重学校。因为对于一个求职者，公司要看的因素有很多，比如学校、专业是否对口、地理位置、实习、Project、Publication等。这些因素都很重要，而学校只是这其中的一部分。学校对求职者的影响主要体现在简历关。我将以自己和朋友在北美互联网公司的求职经历及我们公司的招聘要求来详细解答为什么学校并不算是很被公司看重的一部分。

虽然你在问题中说学校需要排除networking和地理位置的因素，但衡量一所学校还有很多方面，比如学校的排名，教学质量，名气，faculty实力等。

大公司开放给New Grad的software engineer校招岗位，会相对看重学历一些。而对于社招学校就没那么重要了。我将从几方面来说明学校对过简历关的影响。

【简历上的Education部分】

学校对于简历最直观的影响就是在简历上的【Education】这部分。Stanford University、MIT、UC Berkeley和CMU是US News计算机科学专业排名Top4的学校。如果你是这一类学校MSCS(计算机科学硕士)毕业的人，那简历关相对来说就挺好过的。因为这个学校CS专业的实力，以及这个学校在各大科技公司的校友群体已经能让recruiter认可这个学校学生的学习经历了，科技公司也喜欢去这类学校的career fair招人。当这些学校MSCS专业的毕业生在Education部分放上自己的学位，就已经是一种专业实力的证明了。

这就像国内华为很认可华科计算机专业的毕业生一样。除了Stanford University和MIT这类学校之外，美国科技公司还很认可的学校有USC、NYU、UMich、UIUC、西雅图华盛顿大学等等这些理工科很好的大学。

【简历上的Project/Research部分】

学校对简历来说还有一方面很重要的影响是【Project/Research】这一部分的内容。对于Software Engineer这类岗位，公司会更看重intern和project经历；对于Data Scientist/Applied Scientist这类岗位，公司会更看重research和publication经历。

对于大部分New Grad来说，除了在工业界的intern经历，其余的project/research/publication主要来自于学校的课程project或学校实验室research经历。所以学校的课程设计和faculty实力对这部分内容影响蛮大。

举个和research相关的例子，我有个学弟master一年级跟着CMU Machine Learning部门的教授做research，虽然他本人不是MSML（机器学习硕士）项目的，但是因为教授实力很强，学弟对做research也很努力很上心，一年内发了一篇NIPS一篇ICML。所以如果学校faculty实力很强很高产，对学生来说就有很好的research机会。

再拿课程举例，比如CMU的Cloud Computing（CC）这门课，能通过自己努力上下来的，可以往简历上加好几个硬核project和skills。我甚至有直接被hiring manager（非本校校友）问到我有没有上过CC，他说只要上过CC他就认为求职者的technical skills能胜任他的这个岗位。你可能会问，现在不是有很多CS求职培训班也可以带学生做project吗？网上也有Cousera、Udemy等网课网站，也有Udacity这样的网站开设nano degree。根据我在上课和求职期间对这些网课网站的了解，我个人认为CS求职培训班的很多project属于入门级的，这些project是属于recruiter已经看到过很多很多遍的那种project了，含金量不高。CMU的很多硬课的project，都是属于难度很高很复杂的。

就拿CMU的11785 introduction to deep learning这门课来说，虽然听名字是introduction级别的，但是作业要implement 很多deep learning基础算法（from scratch），以及implement很多近年该领域paper的model。每次作业都给个Kaggle competition，成绩按照model的performance打分。

我记得我那一学期第一个作业是从头implement一个简化版的PyTorch，最后一个大作业要写一个来自于google brain发表的语音识别的model，难度十分大，当然这个project也在我多次求职面试中引起了面试官的兴趣。其他推荐的课还有15214 Principles of Software System Construction 等。CS专排高的学校所带来的课程质量不是一般的网课可以比较的。

由此，学校对简历的Education和Project/Research影响蛮大的，所以学校对过简历关还是有一定的影响的。但是除了学校名气和实力这个因素之外，公司还需要考察求职者专业是否对口、背景是否与招聘岗位匹配及地理位置等因素。

【Technical Skills】

Recruiter招聘的时候很看重你的背景和职位是否match。除了给New Grad的general software engineer岗，大部分岗位其实更看重你的过去全职、实习、project经历所用到的那些technical skills是否和hiring manager给他的job description符合。这些technical skills除了从学校上课这个途径获得，你也可以在很多网课上学到，毕竟CS是一个很需要自学能力的专业。求职者如果过了简历关，那么在后续面试中面试官几乎不会看学校title了，他们更多考察的是你本身对CS基础如数据结构、算法等的了解程度。

匹配的背景比学校的title更重要。比如有些同学在名校学习Mechanical Engineering等工科专业，虽然和software engineering一样都属于工科，但如果课程、project和工作岗位并不匹配，那么名校的title对找CS相关工作也没有任何帮助。比如我认识的一个Cornell 统计学master毕业的朋友，美本学的数学专业，有很优秀的数据分析背景，但她找Software Development Engineer（SDE）的工作并不顺利。虽然她有工作经验，但是投一些大公司junior level的SDE还是收到了简历拒，主要原因还是经历不大对口。而我内推过的一个SJSU CS专业的学生，虽然学校CS专排不高，但是学生自身基础知识很扎实，一样过了面试拿到offer。

【地理位置】

San Jose State University（SJSU）并没有像题主说的那样由于学校导致工作不大好找。如果上LinkedIn搜索，可以找到各大科技公司都有不少SJSU的校友。位于苹果公司总部附近的SJSU，虽然专排并不算高，但由于地理位置好，找工作情况也很不错。美国有一个机构叫HiringSolved，在2017年收集了超过10000份来自科技公司的招聘数据，做了一份硅谷科技巨头招聘New Grad数量的学校排行榜，MIT、Stanford、CMU分别位列第一、第二和第三，SJSU排第八，超过了很多高校。

找工作的时候一般都要在申请系统填写自己的地址。通常公司去外州招聘一个员工比较麻烦，因为你来onsite，来回机票、Uber、住宿、吃饭这些公司通通都需要报销，而在本地招一个人，公司能少出不少钱，所以公司很看重学校的地理位置。我想CMU和NEU都在硅谷开设校区，并且在这两个校区开设的专业大多数是就业导向，也有一部分这个原因吧。CMU在硅谷校区的Master of Science in Software Engineering和Master of Science in Information Technology等专业的就业率都非常好。NEU开给零基础转CS学生的Align Master of Science in Computer Science就业率也很高。

找工作Tips：题主说的在网上找内推，其实不如本地直接参加科技公司的networking活动来的直接有效。在手机上下个Eventbrite或者MeetUp之类的app，就可以找到公司networking活动的信息。或者关注LinkedIn上公司的官方账号，也能收到他们发布的招聘活动消息。如Amazon今年秋天在好几个城市开了大型招聘会，这些信息在Amazon的LinkedIn帐号上都有提前公布。

综上所述，除了大S、MIT等学校的毕业生，学校的title在北美CS就业中没有那么重要，US News所谓的学校综排更不重要了，很多综排很高的学校的CS系都很小，以研究为导向，而且很多藤校CS也不是他们的强项专业。比起学校，学习更多的technical skills，把简历写漂亮，积极主动地利用networking机会才对找工作更重要。

1. 推荐CMU的几门课，网上都能找到课件或者视频。

15688 Practical Data Science http://www.datasciencecourse.org/

这门课会把各种基本的机器学习算法都串一遍，并让学生用Python实现一遍来加深印象。

11747 Neural Networks for NLP http://www.phontron.com/class/nn4nlp2019/

这门课教授的授课水平非常高，讲的内容深入浅出。课下会要求学生看很多paper，课上会讨论最新的NLP model。在YouTube上这个老师开了个人的频道，能找到完整版的课程视频。

10601 Introduction to Machine Learning http://www.cs.cmu.edu/~mgormley/courses/10601/

这门课比起吴恩达的机器学习，会更注重算法从底层开始的推算，需要很好的数学基础，难度也会更深。

2. Andrew Ng的machine learning和deep learning课程都是入门自学很好的材料，在Coursera上可以找到资源，YouTube的官方频道也收录了全部的视频。https://www.deeplearning.ai/

3. 斯坦福的CS231n，deep learning入门课，网站有机器详细的课件资料，把deep learning的基础知识点讲的很透彻。http://cs231n.stanford.edu/

cs229的官方笔记：http://cs229.stanford.edu/notes/cs229-notes1.pdf

4. 台大李宏毅教授的机器学习课程是我听过觉得最适合零基础学生的课，虽然适合零基础，但是他讲课内容由浅入深，后面会讲到很多复杂的模型和machine learning最新的知识点，比如前几年他专门出了一个讲attention的视频。这个教授上课喜欢拿宝可梦来举例讲解各种算法。https://www.youtube.com/channel/UC2ggjtuuWvxrHHHiaDH1dlQ

（上面连接国内打不开的可以看这个http://speech.ee.ntu.edu.tw/~tlkagk/courses.html）

另外感兴趣的话推荐关注机器之心、PaperWeekly之类的微信公众号，会经常有机器学习方向paper的解读，自学资料推荐和机器学习/人工智能行业的热门新闻。

答主先自我介绍。我本科学的生物，在master期间暴力转了CS，修了很多我们学校ML部门的课。求职过程面了很多machine learning engineer和data scientist的职位，现在就职于湾区某大厂做软件工程师，从事人工智能语音识别设备的开发。

我想从【传统机器学习】、【深度学习】和机器学习目前在工业界主要的【三大应用】这几个部分来谈谈转专业自学需要补哪些课程和哪些知识点。

【机器学习（非深度学习部分）】

对于传统机器学习，一门很重要的基础课就是线性代数。我相信大部分理工科大学生都学过这门课，但很可能考完就忘了，也并不知道这门课的作用。在机器学习中，扎实的线性代数基础能帮助你更好的理解各种算法。

需要掌握的线性代数概念有：标量（Scalar），向量（Vector）和矩阵（Matrix），矩阵相关的运算法则（包括矩阵和标量的运算，矩阵和向量的运算，矩阵和矩阵的运算），矩阵的逆（inverse），矩阵的转置（transpose），特征向量，特征值等。这些都是常用在机器学习中的基本概念，尤其矩阵的乘法和点乘很重要。

除此之外，机器学习需要掌握的算法主要分为三种：监督学习（supervised learning），无监督学习（unsupervised learning）和半监督学习（semi-supervised learning）。

监督学习所使用的训练数据是已经有label的，举个例子，这个label可以是某一时间点的股票票价，也可以是垃圾邮件/非垃圾邮件这样的类别。监督学习主要用于解决回归（regression）和分类（classification）问题。

常见的监督学习算法有：linear regression，logistic regression，K-nearest neighbor，decision tree，SVM，朴素贝叶斯，贝叶斯网络。

无监督学习所使用的数据没有label，主要用于解决聚类（clustering）问题。

常见的无监督学习算法有：K-means，hierarchical clustering。

半监督学习所使用的的数据是混合的，一部分有label，一部分没有。这类算法通常比较复杂，初学阶段不需要太多关注。

在这些基本算法之上还需要学习优化算法的技术，比如regularization，常规的线性回归加上L1 regularization就是Lasso Regression，用上L2 regularization就是Ridge Regression，两种regularization都用就是Elastic Net算法。还需要掌握降维相关的算法，比如PCA（Principal Component Analysis）。除此之外还有一些ensemble algorithms，就是用一些统计的方法使多个weak learner组合成strong learner。常见的有random forest，AdaBoost，Bootstrapped Aggregation等。

【深度学习】

深度学习的基础是perceptron（感知器算法）和multilayer perceptrons（MLP，多层感知器），需要掌握back-propagation、SGD、GD等基础算法。深度学习目前主要的算法有CNN（卷积神经网络）、RNN（递归神经网络）和LSTM（RNN变种）三种。CNN需要掌握的知识点有卷积运算，池化运算，全连接运算等，目前公认训练效果比较好的通用的CNN有VGG，ResNet，DenseNet，这些模型在PyTorch中都能直接调用。RNN主要用于处理有一定时间顺序的数据，如语音数据。为了解决时间上梯度消失的问题，RNN又衍生出了LSTM。

【三大应用】

Natural Language Processing

NLP是现在machine learning在工业界应用较多的领域。比较常见的有speech recognition（比如Google Home，国内小米开发的小爱），machine translation，sentiment analysis，auto-complete（比如搜索时的自动补全功能），natural language generation。

Computer Vision

CV常用于自动驾驶领域。通常做CV方向的研究，除了要有扎实的机器学习背景之外，还需要学习C++和传统CV方面的知识，比如
用deep learning来解决的CV问题通常包括OCR，object detection，image classification，image segmentation等。想做这个领域的一般都会要求求职者会C++，因为C++运算速度比较快，自动驾驶对运算速度的要求很高。

Recommender System

推荐系统也是机器学习应用很广的一个方向，比如YouTube、Yelp、Airbnb、豆瓣电影等都大量使用了推荐算法。推荐系统常用算法分别是content-based methods和collaborative filtering methods。最近几年也有用神经网络做推荐系统的算法出现。
想在工业做data scientist或者machine learning engineer一类的工作，需要掌握至少一种流行的machine learning framework，比如TensorFlow，PyTorch，Caffe，Keras等。

作为一名软件工程师，这篇回答主要从找工作需要掌握哪些计算机专业的技能这个角度来谈谈编程语言、操作系统、系统设计、面试&刷题等方向的入门级的经典书籍。我将会介绍一些适合转专业或零基础的小白学习的书籍，也会介绍一些适合计算机专业的学生或者entry level的软件工程师使用的书籍。（内附PDF、课程链接）

我建议学习计算机专业的方法是：

1. 先学习一门语言，比如Java
2. 在熟悉了一门语言之后开始学习基本的数据结构和算法
3. 学习操作系统的基本知识
4. 根据个人兴趣可以选择某一个方向细学，比如计算机网络，数据库，Web基础，系统架构等
5. 如果正在或即将找软件工程师相关的工作，可以学习系统设计、面试常考的数据结构和算法等知识

【编程语言】

工业界常用的编程语言有Java、C++、C，常用的脚本语言有Python，如果从事大数据相关的工作还需要掌握SQL。

1. Head First Java

https://www.oreilly.com/library/view/head-first-java/0596009208/

入门级的学习Java的书，书里面有大量的图片方便理解，内容也涵盖比较全面。

2. Thinking in Java

学完基本的Java后就可以看这本书了。这本不是入门书籍，适合有一定Java基础的人进阶学习Java用。

3. Data Structures and Algorithms in Java

UC Berkeley CS61B data structure这门课的教材。这本书主要讲了基本的数据结构，比如Array，LinkedList，Stack，Queue，Tree，Graph等，并且每章节都附了练习题。

这门课的链接：https://inst.eecs.berkeley.edu/~cs61b/fa19/index.html

4. A First Course in Database Systems

这本书主要教SQL查询数据库的基本技能，适合新手入门。除了计算机专业之外，想做信息系统、Business Analytics方向的人也适合看。

5. Python Crash Course: A Hands-On, Project-Based Introduction to Programming

我自己自学Python时看的书，很适合零基础的人看。内容讲的很全面，也很易懂，前半本书是过一遍Python的基本语法，后半本书会带你做3个project，难度依次递增，做完会很有成就感。

6. C++ primer

C++的经典教材。作者Stanley B. Lippman是微软Visual C++ team的架构师。这本书把很多知识点都写的很细，不适合初学者，适合已经开始使用C++并且想加深对C++理解的人看，因为很多内容太细了反而不便于理解。

7. C Programming Language

C语言学习的经典书籍，作者之一Dennis M. Ritchie是C语言的设计者之一，其他很多C语言的书籍都是以这本书作为参考的。同样这本书也不适合初学者，需要有了一定的C语言基础之后才能慢慢啃下来。

【面试&刷题】

1. Programming Interview Exposed

贴出此书pdf链接：http://taltos.pha.jhu.edu/~gupchup/tmp/app/material/programming-interviews-exposed.pdf

专门讲面试的一本书，内容包括申请职位、面试准备和面试常考的算法、数据结构和technical questions，也列举了很多常考的non-technical questions，比如why should we hire you? Tell me about your experience等问题。

2. Cracking the coding interview

贴出此书pdf链接：http://ahmed-badawy.com/blog/wp-content/uploads/2018/10/Cracking-the-Coding-Interview-6th-Edition-189-Programming-Questions-and-Solutions.pdf

这本书也是在美国找软件工程师工作很有帮助的一本书，介绍了如微软、Amazon、Google、Facebook等大公司的面试流程，讲了面试常考的behavioral questions，也按照数据结构和算法分了十几个章节来详细讲具体的面试题目。在leetcode的题库还没有现在这么丰富的时候，以前面试刷题就主要参考这本书。这本书上的题目现在看来可能有一些老了，但都是很经典的必要掌握的题。

【计算机系统】

1. Computer Systems A Programmer’s Perspective

Carnegie Mellon University神课15213 Introduction to Computer Systems的教材，上课的教授也就是这本书的作者。这本书深入介绍了计算机系统，涉及到内存、编译器、进程、信号、I/O、虚拟内存、动态内存分配等知识。

2. Operating Systems Internals and Design Principles

贴出此书pdf链接：http://dinus.ac.id/repository/docs/ajar/Operating_System.pdf

这本书介绍了操作系统中的设计问题和基本原理，使读者对操作系统的关键结构和机制能有所了解。这本书通过使用Linux、Unix、Android和Windows 系统中的案例来加强读者对操作系统的理解。

【系统设计】

Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems

系统设计也是面试，尤其是跳槽面试中的常考问题。这本书讲了在大数据领域中scalability，consistency，reliability，efficiency和maintainability等这些问题怎么解决，介绍了大数据处理和存储相关的工具有哪些利弊，面对大数据应该选用什么样的数据库才合适。

作为一个已经在美国一线互联网公司从事软件工程师的学姐，我想从美国大型互联网科技公招聘应届生的角度来谈谈美国CS专业有哪些好的学校或者好的program。美国的科技公司的new grad招聘通常都有Target schools，所谓的target school就是在公司心中口碑很好的学校，公司过往招了很多该学校的学生觉得他们在职场中也很出色，愿意每年都去这些学校的招聘会招更多学生。不同科技公司的target schools也不同，主要受到地理位置和专业排名两个因素的影响。

根据我在公司招聘过程中的经历，我将介绍美国科技公司主要的target schools，这些学校都有很好的CS program。我将这些学校分为四个类型：

1. CS方向的彩票校

2. CS很好的综合性大学

3. CS很好的理工科强校

4. 就业型CS强项目

希望通过我的介绍能帮申请美国CS专业的同学们更清楚的了解什么样的学校适合自己。

1. CS方向的彩票校

彩票校指CS项目非常难申请的学校 ，即使各方面都很优秀也可能被拒，录取率很低。对于国内的学生来说，申请除了需要很高的GPA、托福和GRE成绩外，海外交流经历、大公司实习或者论文发表经历也是必不可少的。

如果你想申请科研方向的CS program，这里的海外交流指的不是暑假去某个学校游学上几门课，而是指至少花几个月的时间去美国高校的实验室做research并得到一些成果。比如我有一个学妹利用暑假去CMU做RA，加入了了一个Computer Vision方面的实验室，并发了paper。如果你想申请就业导向的CS program，那申请彩票校级需要有大公司的实习经历，比如国内的BAT华为，还有美国科技大公司在国内的分部，如微软、Google在国内的office，以及近几年兴起的一些做人工智能特别强的独角兽startup。

彩票校或者彩票program有（排名不分先后）：Stanford University，UC Berkeley，Massachusetts Institute of Technology，Carnegie Mellon University的MSCS等。

Stanford University和UCB都在北加州湾区。

【Stanford University】

坐落在Palo Alto，Facebook、Google和LinkedIn总部都离学校不远。

【UC Berkeley】

在东湾Berkeley，离旧金山相对更近。近几年很多startup都在旧金山落户，其中包括独角兽公司如Uber，Lyft，AirBnb，Affirm，今年上市的Slack。这两个学校除了有好的CS program和很强的faculty，地理位置也带来很大的求职优势。

MIT和CMU都在美国东部。

【MIT】

MIT在Boston隔壁的Cambridge，在大陆招收的学生人数很少。

【CMU】

CMU在宾州的Pittsburgh，虽然CMU有很多CS相关的program，但是MSCS、MSML、MSCV这些项目的录取率都很低，竞争非常激烈，也不乏很多已经有了一个master学位的学生再去申请这几个项目。

彩票校的学生都是各大科技公司特别喜欢招的人，比如每年CMU九月的TOC，也就是CMU每年最大的一场招聘会，会有几百家科技公司从美国各地赶来学校校招。

2. CS很好的综合性大学

这里的综合性大学是指学校规模比较大，院系开设丰富，除了CS之外在其他学科方面如医学、生命科学等也有很强的实力的高校。

CS很好的综合性大学有（排名不分先后）：New York University，Columbia University，University of Southern California，Cornell University，University of Illinois Urbana-Champaign，University of Michigan。

【NYU】

NYU在纽约，开设有两个不同的CS项目。一个是Courant CS，属于录取率低、排名高、faculty实力强的program，适合科班出身的想学CS的同学。还有一个是Tandon CS，和Courant不在一个院系下，适合转专业的同学，career fair来的科技公司很多。

【Columbia University】

Columbia University也在纽约，是纽约很多科技公司心中的target schools之一，开设有MSCS和MSCE两个项目。MSCS招的学生不少，并且开设有很多tracks，能够让学生根据兴趣和就业目标挑选适合自己的方向。

【Cornell】

Cornell这几年在纽约开设里一个Cornell Tech校区，在这个校区的program大多与纽约的科技公司有教学项目上的合作。主校区有一个很有名的MEng项目。

纽约近几年也有很多互联网方面的Startup，不过更多的是金融公司。Google、Amazon等大公司都在纽约有分布。高盛和Bloomberg也在纽约，每年要招很多的SDE和DS，不过他们家招人的bar很高。Oscar Health是近几年在纽约发展的很快startup。Spotify也在纽约，招收很多DS和Machine Learning Engineer。

【USC】

USC在洛杉矶downtown附近，也是一所实力很强，学校教学设施很棒的综合性大学。USC的MSCS开设在Viterbi School of Engineering下，除了MSCS之外还开设很多不同方向的CS program，比如MSCS-SE，MSCS-DS等。学校也开设了一个专门给转专业同学的CS项目，MSCS-Scientists and Engineers，能够让转专业的同学接触到很棒很全面的CS课程，并且在毕业之后找到心仪的工作。

洛杉矶除了离硅谷比较近之外，本身也有很多科技公司，尤其是受好莱坞地理位置的影响，有很多电影制片公司都在洛杉矶，也会招CS相关的学生。比如Netflix在好莱坞有很大的一个office。只不过这些公司招的new grad比较少，比较喜欢招有工作经验的工程师。

【UIUC】

在美国中部，虽然学生自嘲是在玉米地里的大学，但毕竟离芝加哥也不远，所以也是一所CS实力很强并且CS专业就业情况也很好的大学。不管是传统的计算机科学还是这几年兴起的人工智能、机器学习方向，UIUC都有很强的faculty。

【UMich】

在美国中部，坐落在安娜堡。很多CS企业也很喜欢这个学校的学生。

中部相对纽约和加州来说，找工作方面地理位置的优势小了很多。不过UIUC、UMich等学校的学生依然受到雇主们的青睐。

3. CS很好的理工科强校

这里的理工科强校是指学校规模相比之下没有那么大，开设的院系没有综合性大学那么多，主要注重学生理工科方向的培养，CS专业实力也非常强的学校。

这类大学有：University of Texas – Austin，Purdue University，Georgia Tech，Northeastern University等。

【UT-Austin】

UT-Austin有两个MSCS program，一个是需要毕业论文的，适合想继续申请PhD的同学申请，一个是不需要论文的，更适合想master毕业就找工作的同学。

【Purdue】

Purdue也是在伊利诺伊州的工科强校，离芝加哥不远。普渡的MSCS也分需要thesis和不需要thesis两个选项。不过普渡的CS master每年招的人并不多。

【Georgia Tech】

Georgia Tech在亚特兰大，离Emory University很近。这个学校也是很多互联网公司雇主喜欢招人的学校之一。

【Northeastern University】

Northeastern University的主校区在Boston，除此之外还在硅谷和西雅图开设了两个校区。东北大学开设有为期3年的给零基础转CS专业的项目。硅谷和西雅图的校区离各大科技公司又很近，在地理位置上很有优势。

西雅图是Amazon和Microsoft的总部所在地，因此有很多给new grad的就业机会。

4. 就业型CS强项目

【UCI】

UCI的MCS是专门开设给毕业后想去工业届从事软件工程师等工作的同学。

【Cornell tech】

Cornell tech一年的CS项目可以接触到纽约的很多科技公司，开设的课程也大多与现在很多的Machine Learning，Data Mining等方向相关，是一个适合找工作的项目。

【Rice University】

Rice University的MSCS虽然实力可能没有Stanford、MIT、UCB、CMU的CS那么强，但是学校这几年很看重MSCS学生的就业，给他们提供很多找工作上的帮助和支持，因此这几年的就业率很不错。

【University of Seattle】

University of Seattle开设有一个professional CS项目，适合已经有2年以上工作经验的人申请。

此文主要介绍MSCS好的学校，并不设计到MSDS、MSIM、Business Intelligence等专业。美国CS专业好的学校实在太多了，以上也只是我的不完全整理。不同的项目适合不同背景的学生。如果你想了解更多关于Computer Science / Data Science / Machine方向选学校、选专业的事，不知道什么项目合适你，也可以和我聊聊，我很乐意帮申请的同学解答疑问。

我是16Fall的申请者，申请季中总共申请了8所美国Top50的学校，最终拿到了包括CMU计算机学院、Georgetown、WUSTL、UCD等7所学校生物统计、生物信息学的offer。现在为美国Top4互联网公司软件工程师，从事人工智能语音识别相关的产品开发。

作为一个从事软件工程方向的学姐，我想从美国大型互联网科技公司招聘应届生的角度来谈谈美国CS专业有哪些好的学校或者好的program。

美国科技公司的new grad招聘通常都有Target schools，所谓的target school就是在公司心中口碑很好的学校，愿意每年都去这些学校的招聘会招更多学生。不同科技公司的target schools也不同，主要受到地理位置和专业排名两个因素的影响。

根据我在公司招聘过程中的经历，我将介绍美国科技公司主要的target schools，这些学校都有很好的CS program。

我将这些学校分为四个类型：

• CS方向的彩票校
• CS很好的综合性大学
• CS很好的理工科强校
• 就业型CS强项目

希望通过我的介绍能帮申请美国CS专业的同学们更清楚的了解什么样的学校适合自己。

CS方向的彩票校

彩票校指CS项目非常难申请，即使各方面都很优秀也可能被拒，录取率很低的学校。对于国内的学生来说，申请除了需要很高的GPA、托福和GRE成绩外，海外交流经历、大公司实习或者论文发表经历也是必不可少的。

如果你想申请科研方向的CS program，海外交流经历就非常重要了。这里的海外交流指的不是暑假去某个学校游学上几门课，而是指至少花几个月的时间去美国高校的实验室做research并得到一些成果。比如我有一个学妹利用暑假去CMU做RA，加入了一个Computer Vision方面的实验室，并发了paper。

如果你想申请就业导向的CS program，那申请彩票校一定要有大公司的实习经历，比如国内的BAT华为，还有美国科技大公司在国内的分部，如微软、Google在国内的office，以及近几年兴起的一些做人工智能特别强的独角兽startup。

彩票校或者彩票program主要有（排名不分先后）：

• Stanford University
• UC Berkeley
• Massachusetts Institute of Technology
• Carnegie Mellon University的MSCS
   

其中Stanford University和UCB都在北加州湾区，MIT和CMU都在美国东部。

坐落在Palo Alto，Facebook、Google和LinkedIn总部都离学校不远。

位于东湾Berkeley，离旧金山相对更近。近几年很多startup都在旧金山落户，其中包括独角兽公司如Uber，Lyft，AirBnb，Affirm，今年上市的Slack。

这两个学校除了有好的CS program和很强的faculty，地理位置也带来很大的求职优势。

MIT在Boston隔壁的Cambridge，在大陆招收的学生人数很少。

CMU在宾州的Pittsburgh，虽然CMU有很多CS相关的program，但是MSCS、MSML、MSCV这些项目的录取率都很低，竞争非常激烈，也不乏很多已经有了一个master学位的学生再去申请这几个项目。

彩票校的学生都是各大科技公司特别喜欢招的人，比如每年CMU九月的TOC，也就是CMU每年最大的一场招聘会，会有几百家科技公司从美国各地赶来学校校招。

CS很好的综合性大学

这里的综合性大学是指学校规模比较大，院系开设丰富，除了CS之外在其他学科方面如医学、生命科学等也有很强的实力的高校。

CS很好的综合性大学主要有（排名不分先后）：

• New York University
• Columbia University
• University of Southern California
• Cornell University
• University of Illinois Urbana-Champaign
• University of Michigan

NYU在纽约，开设有两个不同的CS项目。一个是Courant CS，属于录取率低、排名高、faculty实力强的program，适合科班出身的想学CS的同学。

还有一个是Tandon CS，和Courant不在一个院系下，适合转专业的同学，career fair来的科技公司很多。

Columbia University也在纽约，是纽约很多科技公司心中的target schools之一，开设有MSCS和MSCE两个项目。

MSCS招的学生不少，并且开设有很多tracks，能够让学生根据兴趣和就业目标挑选适合自己的方向。

Cornell这几年在纽约开设了一个Cornell Tech校区，在这个校区的program大多与纽约的科技公司有教学项目上的合作。主校区有一个很有名的MEng项目。

纽约近几年也有很多互联网方面的Startup，Google、Amazon等大公司都在纽约有分布，不过更多的是金融公司。高盛和Bloomberg就在纽约，每年要招很多的SDE和DS，不过他们家招人的bar很高。

Oscar Health是近几年在纽约发展的很快startup，Spotify也在纽约，招收很多DS和Machine Learning Engineer。

USC在洛杉矶downtown附近，是一所实力很强、学校教学设施很棒的综合性大学。

USC的MSCS开设在Viterbi School of Engineering下，除了MSCS之外还开设很多不同方向的CS program，比如MSCS-SE，MSCS-DS等。学校也开设了一个专门给转专业同学的CS项目，MSCS-Scientists and Engineers，能够让转专业的同学接触到很棒很全面的CS课程，并且在毕业之后找到心仪的工作。

洛杉矶除了离硅谷比较近之外，本身也有很多科技公司，尤其是受好莱坞地理位置的影响，有很多电影制片公司都在洛杉矶，也会招CS相关的学生。比如Netflix在好莱坞有很大的一个office，只不过招的new grad比较少，比较喜欢招有工作经验的工程师。

在美国中部，虽然学生自嘲是在玉米地里的大学，但毕竟离芝加哥也不远，所以也是一所CS实力很强并且CS专业就业情况也很好的大学。

不管是传统的计算机科学还是这几年兴起的人工智能、机器学习方向，UIUC都有很强的faculty。

坐落在美国中部的安娜堡。虽然中部相对纽约和加州来说，找工作方面地理位置的优势小了很多，不过UIUC、UMich等学校的学生依然受到雇主们的青睐。

CS很好的理工科强校

这里的理工科强校是指学校规模相比之下没有那么大，开设的院系没有综合性大学那么多，主要注重学生理工科方向的培养，CS专业实力也非常强的学校。

这类大学有（排名不分先后）：

• University of Texas – Austin
• Purdue University
• Georgia Tech
• Northeastern University

UT-Austin有两个MSCS program，一个是需要毕业论文的，适合想继续申请PhD的同学申请；一个是不需要论文的，更适合想master毕业就找工作的同学。

Purdue也是在伊利诺伊州的工科强校，离芝加哥不远。开设的的MSCS也分需要thesis和不需要thesis两个选项。不过Purdue的CS master每年招的人并不多。

Georgia Tech在亚特兰大，离Emory University很近。这个学校也是很多互联网公司雇主喜欢招人的学校之一。

Northeastern University的主校区在Boston，开设有为期3年的给零基础转CS专业的项目。除此之外还在硅谷和西雅图开设了两个校区。

硅谷和西雅图的校区离各大科技公司又很近，在地理位置上很有优势。尤其西雅图是Amazon和Microsoft的总部所在地，因此有很多给new grad的就业机会。

就业型CS强项目

1.UCI

2.Cornell tech

3.Rice University

4.University of Seattle

UCI的MCS是专门开设给毕业后想去工业届从事软件工程师等工作的同学。

Cornell tech一年的CS项目可以接触到纽约的很多科技公司，开设的课程也大多与现在很多的Machine Learning，Data Mining等方向相关，是一个适合找工作的项目。

Rice University的MSCS虽然实力可能没有Stanford、MIT、UCB、CMU的CS那么强，但是学校这几年很看重MSCS学生的就业，给他们提供很多找工作上的帮助和支持，因此这几年的就业率很不错。

University of Seattle开设有一个professional CS项目，适合已经有2年以上工作经验的人申请。