一方面，在大三即将结束之时，面临实习的压力，投递的简历大多石沉大海，那时意识到高学历的重要性，便产生了升学的想法；另一方面是想证明自己的学习能力，打破大家认为的“考研难而畏惧考研”的魔咒。

选择继续攻读计算机技术方向研究生，是因为综合考虑专业相关程度、就业发展前景以及专业适用性等多方面因素，做出的决定。考研专业课在本科阶段就系统性的学习过，像数据结构、操作系统 等，而大数据本科阶段的深度学习等课程，可以为计算机方向的研究生学习，打下良好的基础。

首先是根据自身的学习能力和进度，选择难度、分数等合适自己的目标院校；其次，可以通过学校官方，查询每年的复录比以及是否扩招，尽量选择复录比较低或有扩招趋势的院校；最后，选择专业课不压分的院校，如果没有被该学校录取，也不会影响调剂。

首先是专业学习，操作系统原理、数据结构、计算机网络等课程的学习，为我的专业课备考打下了坚实基础，让我在面对考研专业课时更加游刃有余，也是我在考研专业课获得高分的原因之一；其次在和同学一起参加挑战杯、互联网+等比赛实践中，提升了我的实操能力，锻炼了我的团队协作能力，同时将课本中的知识转化为了可落地的成果。

本科学习更偏向系统化、标准化的知识输入，课堂会划定清晰学习范围，考核以掌握既定知识点为主，我们更多是跟着课程安排完成学习、作业与竞赛；但研究生完全是反向的自主探索模式，没有统一的课堂标准答案，核心目标是自主发现问题、独立完成科研创新。

我的日常基本围绕实验室科研展开：每日固定时间研读前沿论文、复现经典算法，跟进计算机视觉、大数据处理相关领域最新研究成果；和导师定期沟通课题进展，针对实验数据反复调试模型，修正算法漏洞。很多时候一项实验要反复调试数十次才能得到有效结果，需要极强的耐心与自主规划能力。

本科是老师布置任务、我们完成交付；读研是自己确定研究方向、设计实验方案、自主寻找解决路径，所有学习节奏、科研进度都需要自我把控，自律不再是备考的短期要求，而是长期科研的必备习惯。

本科深度学习、数理统计、编程开发课程是我现在做算法研究的核心底气。在处理数据集、搭建基础模型时，本科打下的代码功底、数据处理思路能帮我省去大量基础学习时间，让我把精力聚焦在创新改进上。

读研最大的挑战是科研创新瓶颈：很多成熟算法已有大量研究，想要做出有价值的创新点难度很高。遇到这类问题，我不会局限在单一领域文献里，一方面广泛跨领域查阅国内外顶会论文，借鉴其他赛道的优化思路；另一方面主动和导师、同门定期开展小组研讨，交换实验思路，多人头脑风暴往往能打破固有思维。同时延续本科养成的拆解问题习惯，把复杂科研课题拆分成数据预处理、模型优化、结果验证等小模块，逐个攻坚突破。

第一，看待专业问题不再只追求 “会用”，而是深挖底层逻辑。本科只要弄懂工具、模型怎么调用即可，读研会不断追问算法背后数学原理、优化缺陷与改进空间，形成深度钻研的思维； 第二，具备独立科研思辨能力，不再直接照搬现成方案。本科做项目大多有成熟参考模板，现在会主动辨别现有方法的局限性，结合课题场景自主设计适配方案； 第三，心态更沉稳包容，科研失败是常态，一组实验数据不理想、模型精度不达标都是日常，我学会客观复盘失败原因，而非轻易否定自己，抗压与复盘能力得到极大锻炼。

短期现阶段（研一）：夯实计算机方向细分领域理论，持续大量阅读顶刊顶会文献，熟练掌握各类算法实验工具，完成导师分配的基础课题项目，产出初步实验成果，打磨完整的科研写作能力，学会规范撰写学术论文。 中期研二核心目标：聚焦固定研究方向深耕，完成核心课题实验，争取产出可发表的学术论文；同时主动对接校企合作项目，把实验室算法落地到真实产业场景，平衡学术研究与行业实操，弥补纯理论研究脱离实际的短板。 长期研三阶段：一边完成毕业论文撰写与答辩，一边同步规划未来发展路径。目前有两条备选方向，一是继续攻读博士，深耕人工智能、大数据算法科研赛道；二是进入科技企业从事算法研发岗位，将多年积累的数据与计算机技术落地产业，用技术解决行业实际需求。

最珍贵的是拥有了自主深耕、独立创新的完整能力，跳出了被动学习的舒适圈。本科教会我基础专业技能，在校参与各类科创竞赛、实战项目时，我们组队做过美团即时零售骑手路线规划的测算分析，完整走完从消费数据提取、调度算法搭建到业务效果验证的全流程，这让我跳出纯理论学习，积累了算法落地产业场景的综合实操能力；而研究生生活教会我如何独立做研究、自主探索未知领域，本科阶段打磨出的应用型、创新型思维，也为我当下的课题研究提供很大助力，让我能更好地把学术理论转化为具备落地价值的可行方案。另外，当初一同约定考研的好友赵星宇也成功上岸，我们如今依旧时常交流各自科研进展，互相分享文献、探讨科研难题，一路并肩成长的友情，也是求学路上十分珍贵的收获。