關於統計所與我的清大之旅

太多人對統計所有所誤解，因此我想結合過去不少人問過我的問題、過去的經驗來寫下我的想法。

We are looking for where to Go Next

序

每當有許多人寄信向我詢問統計所相關問題時，我就知道申請季或放榜時間又到了！然而，我發現很多同學對統計所的認知與實際情況存在落差（就連我這位剛考上統計所的人，也遇到相似的問題），大家的疑問往往大同小異。於是，我希望藉由這篇文章，從學生的角度出發，說明統計所的學習內容、畢業後的工作方向等資訊，並分享我在清大求學過程中的心得（詳細可去看我每學期的心得）。

備註：這篇文章只代表的自己的經驗與想法

文章章節

1. 序
2. 我所理解的統計與統計所
3. 關於清大統計所
4. 就業方向
5. 心得

我所理解的統計與統計所

統計在做什麼

最常被問到的問題是：「我對機器學習很感興趣，所以打算念統計所，請問還有哪些地方需要加強？」每次碰到這個問題，我都會誠實地回答：在台灣的統計所，真正投入機器學習研究的人其實很少，教的內容多半是幾年前機器學習課程會出現的 Loss function、Regularization 等基礎理論（當然這些仍然很重要）。不會教怎麼 fine-tune 模型、怎麼做影像處理，也不會有處理 LLM 的最新技術（雖然國外不少統計所近年已經開始涉獵）。如果想專攻這些領域，資工背景可能更合適。

第二個常被問到的問題是：「我未來想當資料科學家或從事數據分析，所以想念統計所。」確實，統計所畢業可以從事這些工作；但以我面試過多家公司的經驗來看，資料科學家職位反而更青睞資訊管理系畢業生 — — 他們通常具備程式能力與商業知識，且許多資管系實驗室也在做機器學習相關研究，背景更貼近產業需求。而若只是做數據分析，其實商管院所學的統計就相當充足，反而溝通能力和商業敏感度更為關鍵。

那麼統計所到底是做什麼的？以清大統計所為例，可以把它想成「應用數學系」：用更紮實的數學基礎，告訴你大學「應用統計學」課程中提到的各種檢定方法、信賴區間等，為什麼能這麼做。研究方向雖然也包含大家熟悉的機器學習，但在台灣所佔比例相對較低（國外則不少）；我們更關心的是「為什麼模型能被訓練成功」，而非各種工程式的訓練技巧，屬於數學理論導向。其他研究領域還有因果推論、高維統計（變數多、樣本少）、轉移學習（統計所關注的是為什麼 finetune 可行而非如何操作）、生物統計、空間統計、實驗設計、時間序列分析等。雖然題材豐富，但本質仍是從嚴謹的數學出發──即便近年 data-driven 趨勢增強，理論研究仍是不變主流。

關於清大統計所

大方向

根據所上官網，統計所分為「生物組」、「數據組」和「工業組」，三組之間唯一的差別在於部分選課要求不同，對於尋找指導教授並不會造成影響。因為碩士班的選修課開設較少（官網上列出的很多課程實際並未開班），往往三個組別的修課要求都能同時滿足，所以碩一下學期選課時，無需太早決定未來研究方向；待碩二再依剩餘學分補齊即可。

至於博士班課程，多數與交大統計所共用。博士班除了機率論、統計理論等資格考科目外，其餘課程往往多年才開一次，因此在兩年碩士期間不一定能修到；即便開課，也可能因為時間衝堂而無法選修（所辦通常會將碩士班課程排在不同時段，以便碩士生能夠上課）。

接著說說設備與資源：我們有公用研究室，每位同學皆有固定座位與置物櫃（雖然我不知為何沒拿到櫃子⋯⋯），座位上配備一台桌上型電腦，但沒有 GPU；就完成統計所作業而言已綽綽有餘。此外，所裡還提供免費影印機，可以自行列印所需資料，整體資源算是不錯的。

關於入學獎學金，據我所知前三名會有獎助，但金額並不高，甚至可能連一台電腦都買不起……每學期也會頒發書卷獎，不過我自己從未領過，也不太可能領到。

至於工讀機會，助教（TA）工作是主要選項，補助每月 6,000 元，難易度因人而異。我遇到的大多是「既不多事也不難」的助教工作：每週批改作業、舉行 office hour，往往鮮少有人來提問，算是蠻划算的一份差事。

最後是各類活動：新生課程說明會、期初聚餐（學長姐請客，可點較高價餐點）、統研盃、校友聚會與校友運動會、班遊（視學生自發組織）、小型畢典，以及企業宣講和學長姐分享會等。

學期安排

不像資工所考上後要立刻找指導教授，我們一般是在碩一上~碩一下才開找指導教授（少數教授例外），碩一上會利用上課時間請每個教授來分享研究主題，讓你有更多資訊來做決策。

在課程安排上（每學期週五早都會有演講課，理論上是雙周一次演講）

• 碩一上：數理統計（就入學考的內容在學一次，算輕鬆）、線性模型（很看老師，輕鬆的會讓你忘記有這門課，累得會讓你作業寫不完）
• 碩一下：統計計算（各種和統計相關的數值方法，算是再統計所中我用到最多的課程）
• 碩二上：統計實習（上下學期選一個參加，但我們是抽籤）
• 碩二下：統計實習（上下學期選一個參加，但我們是抽籤）

在學分數上，我自己多半會拉到16左右（統計所課程Loading跟我大學課程比算很輕鬆），所以我的推薦學分數是16 * 4 ，但我不是太好的例子。

必修課程的內容多半是理論為主，比較少會有要做期末project這類的事情，頂多就是報論文，但通常是以考試和作業為主。作業班上會有不少人討論解題過程，雖然我不確定要討論什麼。

研究開始的時間聽到比較多是碩一暑假開始，但可以和老師討論。如果有找到暑期實習去實習應該沒太多問題，但大多數都找不到就是了…，因為很多人都還在狀況外，比較沒有像管院、資工那種競爭風氣。

另外，很多人會修深度學習，班上主要都是修交大電信所那邊的深度學習為主，可以當作沒學過，但清大資工開的又加簽不到，然後要修交大資工開的對統計所coding能力會有很大的挑戰（聽說下一屆有不少人跑去修）。但講現實一點，其實修哪個都沒差，因為決定你可否找到相關工作的比較是你做過相關專案，並能夠對現有架構做出改善，修課程給的就是一個大方向和實作經驗而已。

從上面你可以發現到清大統計最好的就是碩一寒假不用做研究，也不會有寒假作業，可以開心放寒假，而且在開始做研究之前生活比大學爽（研究所學分少）。雖然我們比別人晚開始研究，但原則上都準時畢業，大家是不是有心動想加入統計所的大家庭了！

研究方向

不少同學誤以為念統計所就能直接從事大數據、機器學習或深度學習的研究，但這並非我們的強項。若你真的想主攻這些領域，建議考慮資工所；或者可以在統計所時，與資工系的教授共指導（但那樣其實是念資工所更合適）。在統計所，我們對這些主題的研究通常只停留在理論起步階段，選題方向仍在摸索，且經常無意中重複別人已完成的工作──畢竟機器學習領域的新進展，從論文發表到成為 SOTA 往往已有一定時差，不宜對研究成果抱持過高期待。

至於其他研究方向，建議直接上 Google Scholar 搜索各位老師的近期發表，因為我們鮮少在正式發表前將草稿放到 arXiv。統計所很少追逐最前沿的新興領域，風氣更偏向持續優化既有方法、放寬數學假設或擴大應用；即便要切入新趨勢，也往往等到他人已做出較成熟成果之後才跟進──這大概是本所最顯著的不足。

畢業方向和找工作所遇到的問題

根據清大這邊入學給的碩士畢業去向統計資料，約有50%左右進到科技業，20%進入金融業，剩下的部分做公職、教職等。（至於這是多久前的資料我就不確定了，大家自行做加減）

至於統計在科技業做的職缺大多數是處理產線相關的，例如可靠度、品管等等。近期比較熱門的資料科學也有不少，但我聽到他們是比較傾向找資管相關背景的，但也是有不少統研所拿到相關職缺的面試（裡面有不少統計所的學長姐，但很多都是早期進去的）。也有一少部分是做Machine learning, deep learning相關的，做往這邊走碩士期間可能要辛苦一點，相關的專案經驗、模型需要自己補起來。

除了科技業外，也有不少學長姐在金融業，尤其是保險的單位，像金算等。至於繼續往下念的相對於其他科系我覺得算多，而且看起來是真的喜歡學術，而不是為了洗博士文品。至於做公職這部分我就不清楚。

畢業能去的公司我覺得這比較看個人造化，因為統計所最大的問題就是學期間和碩論做的專案很少，就算有也和工作無關。除此之外，找實習和工作的風氣很明顯比其他科系低很多，多半是在討論研究進度（我在管院、資工、工工修課學生討論的話題很多都是找實習、面試、刷題等等；在統計所聽到的都是研究做得如何…我一直以為大家唸研究所就是為了找工作，為啥本末倒置）。這些因素讓統計所在寫履歷、面試技巧上沒辦法跟其他工作導向科系競爭，所以才導致網路上的一些統計所學長面試、工作出路評價有點淒慘，甚至不知道畢業要做什麼。

但我覺得把上面的問題解決，包含增加專案經驗、實習和多練一些面試（在聽很多同學和學長分享自己的研究或面試經驗，只能說有點太誠實了，不夠投機，也不太會包裝）是可以拿到不錯的offer。至少Tier 2, 3的公司應該是可以躺著進去，以清大的學歷拿到面試不難，而他們問的問題通常有認真準備面試都會上。至於T1的公司 (google, msft, Quant, nvda …) 這很看個人的造化和是否剛好有開適合的缺，已經和科系無關，清大在pool裡面也就是不怎麼樣的學校，但統計所還是有機會拿到面試，能不能拿到offer主要就看自己累積的實力、過去背景和智商。

至於統計所在面資料科學、ML相關工作會被問到比較特殊問題大概有以下幾個，標準問題就自己去讀「百面機器學習」就好，傳統的ML會考的問題都在上面

1. 我看你不是資工、管系，你的程式在哪邊學的，程度在哪裡？
2. 可以講你如何利用統計上學的方法來提升深度學習模型的表現
3. 你做的研究好像幾十年前就有人做了，你為什麼要再做一次？比原本的方法好一點對實際有多少幫助？
4. 我看你的研究是以數學的角度出發的，你有一些data driven相關的經驗或是藉由觀察到資料的哪些特性進而選擇模型嗎？而不是為了推倒數學理論。
5. 我看你的論文都會有一些數學假設。你有拿到真實的數據去確認這些假設是否成立，或假設不對時表現得如何嗎？

心得

統計所在我看起來是一個與世隔絕的環境，以自身的興趣去推動你接下來要做的項目，但這個項目可能對自身的未來並沒有太大的幫助，是為學術的未來鋪路。但這與我本身的教育和學習方針差太多了，因此再讓我選擇一次我會選擇電資或就業導向的系所，再來這邊修課，不然找工作時履歷有時候根本不會。然而．這社會上還是需要有更多做這方面的人，因為基礎科學的進步，才能推動人類的下一波科技進步，LLM也是累積人類過去數百年的研究才誕生出的產物。