Harvard University Master of Science in Data Science – SZH¶
基本信息 Basic Information¶
本科专业：统计
申请学位：硕士 Master
领域偏好：ML/AI、Data Science、Statistics
最终去向：Harvard University Master of Science in Data Science
联系方式：微信 SuZiHanFight
申请三维 Application Information¶
| 维度 | 内容 |
|---|---|
| 均分（大一/大二/大三） | 72/72/80 |
| GPA（4.0 制） | 3.87/4.0 |
| 语言成绩 | 托福100 但是都没提交 |
| GRE |
申请结果 Application Results¶
| 项目 | 结果 | 提交日期 | 结果日期 | 备注 |
|---|---|---|---|---|
| 1. Harvard University Master of Science in Data Science |  Chosen |
2025.12.01 | 2026.2.17 | |
| 2. UW Master of Science (M.S.) in Statistics - Advanced Methods and Data Analysis (AMDS) |  Admit |
|||
| 3. University of Chicago Pre-Doctoral MS in Computer Science Program | Admit |
奖 20000$ | ||
| 4. University of Chicago Master's Program in Computer Science (MPCS) | Admit |
|||
| 5. University of Michigan, Ann Arbor Master's in Data Science | Admit |
|||
| 6. Yale University MS in Statistics & Data Science |  Waitlist |
|||
| 7. UPenn MSE in Data Science | Waitlist |
|||
| 8. MIT master's degree (SM) program in operations research (OR) |  Reject |
|||
| 9. Stanford University MS in Computational and Mathematical Engineering (ICME) | Reject |
|||
| 10. CMU Master's in Machine Learning | Reject |
|||
| 11. UCSD MS in Data Science (HDSI) | Reject |
科研 / 项目经历¶
- 大二 · 宁诺 · 校内FURP/RA（2024.1-2025.2） 机器学习模型在金融诈骗检测方面的应用 24年底产出不知名水会二作四作两篇 后来分别在2025年底产出JCR二区四作 2026年4月SCI一区2作
- 大三 · 耶鲁 · RA（Rex Ying · 2024.12-2025.8） 研究几何深度学习多模态大模型
- 大四 · 特雷托大学/马克思普朗克研究所 · RA/研究员（bernhard schölkopf · 2025.7-现在） 深度学习的几何算法改进，提出新的流形 机器学习顶会ICLR共一
- 大二 · 宁诺 · 科研实习生（2个月） 心率模式识别
- 大二 · 无 · 个人研究（5个月） 股票价格预测，市场情绪分析 大水刊一篇
推荐信¶
英诺tutor一篇强度未知
欧洲计算机视觉大牛一篇强推
港科大新AP一篇强推
中介分享¶
我当时因为要赶论文的，所以没有时间整理申请的事情，基本上全权交给中介了，但是效果并不令人满意。绝对没有你自己写来的好，后来我自己还是把文书推倒重来了。我认为ai就已经能抵过中介了。不是很建议有时间的同学找全包，没有必要。ai现在都有记忆功能，大学四年好好利用这个功能，到申请的时候它就会是你最强的中介，他比你自己更了解你自己。你应该去哪个项目，你是什么水平，到时候ai会一清二楚。ps.除非中介能承诺给你安排一个你同专业同方向的硕士或者博士给你写。
选校这个事情可以直接copy同领域学长学姐的list，小红书上也有很多人分享自己的申请list，找到同领域的直接copy或者参考就行，一个领域确定了找工还是读博，其实学校就只有一点。
申请经验心得¶
仅针对相同领域
申请过程中我最大的体会是：选校和定位比单纯堆背景更重要。我的申请方向主要集中在 Data Science、Machine Learning、Statistics 和 AI 相关项目。最开始我也容易只看学校名气和排名，但后来发现不同项目的培养目标差别很大：有些更偏理论统计，有些更偏工程就业，有些更适合继续读博。建议申请前先明确自己未来更想走工业界、科研还是 PhD 路线，再反推项目选择，而不是看到名校就全部投。在这个领域学科排名远比学校排名来的精准，建议参考csranking等相似网站。
在材料准备上，我认为最重要的是让个人经历形成一条清晰主线。简历和个人陈述不要只是罗列项目，而是要解释自己为什么从统计、机器学习逐步走到当前申请方向。个人陈述最好不要写成“我很热爱某某领域”的空话，而是用具体经历说明自己做过什么、遇到过什么问题、学到了什么、下一步想解决什么问题。
推荐信也非常关键。相比找头衔很高但不熟悉自己的老师，我更建议优先找真正了解你、能具体评价你科研能力或工程能力的推荐人。一封能写出具体项目贡献、独立性和成长过程的推荐信，通常比一封泛泛而谈的强推更有说服力。推荐信在北美申请中占了很大比重，title大力度强且具体的推荐信肯定是最理想状态。不能同时保证的情况下优先追求推荐信的力度和具体程度。
暑研和实习方面，我觉得在追求大title的经历，更重要的是能否产出可讲清楚的成果。比如论文、代码库、项目报告、实际业务结果、模型改进、实验对比等，都是很有价值的材料。尤其是申请 ML/DS/CS 方向时，招生委员会不仅看你有没有参与项目，也看你是否真正理解项目、是否承担了核心工作、是否能把技术细节讲清楚。再者如果打算申请美国，最好有一段实地美国科研项目比较加分。关于如何找这种科研，第一就是翻教授的学术主页，然后发邮件表达兴趣，我当时是发了将近两百封。第二就是在小红书上或者其他社交平台上多与人connect，现在很多华人ap和研究者在小红书上相当活跃，他们时不时会发小红书招聘合作者或者实习生，你发私信表达兴趣他们一定能看到！
标准化成绩方面，我的个人认知上是不要把所有希望押在 GRE 或语言成绩或者gpa上，它们更多是门槛或辅助项。当然均分一定要至少一等，或者换算gpa3.85以上（理想状态就是3.9以上 至于3.95还是3.97区别不大了），这是顶校的硬性门槛。真正拉开差距的还是 课程难度和课程与项目的匹配度、科研/项目质量、推荐信和文书完成度。当然，如果目标是竞争很激烈的项目，数学、统计、算法、优化、机器学习（诺丁汉统计学数学专业据我了解学不了机器学习和算法课，比较限制申请，建议自己想办法补充）等相关课程成绩最好比较高。
最后说点综合的心得，基本上ds，ml类的宁诺本科最高能申请到的研究生似乎就是哈佛ds了。据我所知，斯坦福的icme会卡本科，似乎诺丁汉会在第一轮就被刷掉，mit同理。 唯一还有冲顶可能的我认为就是cmu的msml msds这两个项目，这两个项目比较看重标化，我个人在这上面有点吃亏，可能是被拒绝的原因。
最后的最后，申请不必焦虑，申请本质上就是把你大学几年做出的所有成果和故事整理一下交给学校看。大学四年按照自己目标努力，无论是打算科研还是进军工业界，一步一个脚印，四年之后你走到哪里，自然有相应的学校在这个位置承接你。