Architecture and Sustainable Design (ASD):建筑与可持续设计
Engineering Systems and Design (ESD):工程系统设计
Engineering Product Development (EPD):工程产品开发
Information Systems Technology and Design (ISTD):信息系统科技与设计
之前对新加坡的一个硕士项目做过简介:新加坡国立大学的数据科学与机器学习项目介绍。 新加坡国立大学(National University of Singapore)是一所综合性的大学,根据泰晤士报和世界大学排名来看,NUS 在整个亚洲的排名是非常靠前的。同时,数学系(Department of Mathematics)则是在理学院(Science)下的一个院系。
新加坡国立大学的数学系与国内的数学系有所不同。一般情况下,国内的数学系能够提供的专业包括数学与应用数学(Mathematics and Applied Mathematics),信息与计算科学(Information and Computing Science)与统计学(Statistics),有的时候会加上金融数学(Financial Mathematics)这一方向。而新加坡国立大学的数学系(Department of Mathematics)与统计系(Statistics)是分开的两个院系,虽然学生可以互相之间选择对方的课程,但是两者却是分属不同的院系。
Introduction to Big Data for Industry; Optimisation for Large-Scale Data-Driven Inference; Foundations of Machine Learning/Theory and Algorithms for Machine Learning; Cloud Computing; DSML Industry Consulting and Applications Project.
图1 新加坡鱼尾狮 Q1:新加坡硕士的教学质量如何?
新加坡的研究生课程主要分为两大类:授课型(Master by course) 和 研究型(Master by research)。顾名思义,前者是以修读制定的课程为主,完成每个科目的要求就能毕业,后者是以研究为主,在修读少量课程之余仍需要完成一篇研究论文才能毕业。授课型的研究生一般一年到两年就可以毕业,研究型研究生也是,但是具体要取决与论文的进度。以我就读的授课型硕士为例,采用小学期制,即十周为一个学期,一年四个学期,这就意味着课程设置的密度和考试强度都是相对较大的,作业和项目也比较多,所以下课后班上很多同学都会待在教室学习,晚上一起结伴回家,学习氛围非常浓郁,现在想起来都是特别美好的回忆,有种回到高中的感觉。从师资上来看,硕士项目的师资,完全和本科生一样,任教课程的都是学院教授。至于课程设置,全部是经过每个学院管理Graduates分支的管理人员,通过和学校管理层、学院院长和教授讨论后进行设置的。硕士项目的设置难度甚至比本科生项目更大,因为时间更加短,自由度更加低。所以个人认为硕士项目的压力会比本科生大得多,你要在一年到两年时间内,学完多个track的知识。在我们刚入学时老师就有反复强调学校是严进严出,想通过作弊等方法通过考试是完全不可能的。从教学资源来看,每一位新加坡硕士学生入学后,享有和本科生同样的资源,也就是说,无论是学校学院的就业系统,图书馆教学资源,多媒体设备等等,硕士生都可以免费使用,并没有和本科生区别开来的待遇。比如我个人认为对求职帮助很大的careerfair就是学校免费提供的就业服务,包括简历指导,模拟面试等等,都是含金量非常高的服务。
By course不是为学术深造设计的,是为工作人士设计的,所以只是上课。课程内容跟业界联系非常紧密,老师基本上都是有行业经验的,也会有很多来自相关行业的同学。在新加坡这边读硕士大多有两个目的,涨工资或转行。至于想搞学术的,大多数直接读博士去了。
2. 学制1年是full time by course, 2年是part time by course 或者 full time by research. 但无论是full time还是part time, 课是一样的,都是每天只有一门课,上课都是在晚上6点以后。原因在1点已经说过了,是为工作人士设计的,你要等大家都下班了才能来上课吧。所以full time就是每周上课5个晚上,两个学期学10门课。part time每周2晚或3晚,同样10门课就要学4个学期咯。
By research的话,毕业时间完全取决于你做研究和写论文的进度,时间通常在2到3年。质量取决于你的导师,新加坡学校肯砸钱,学术大牛还是有不少,但学术大牛不等于好老师。挑选导师一定要三思