美国神经科学专业解析:申请美国 PhD 神经科学专业

申请美国 PhD 神经科学专业

而且GPA成绩有点低，托福成绩和GRE成绩符合要求，在中科院工作，能否说明你在中科院具体的工作职位和部门呢，推荐信拿到国内两位大牛，国外一位教授，请问国外的这位教授是美国前二十名大学的教授吗？如果国外教授是美国前二十名大学的教授。

留学英国和美国有哪些值得推荐的神经科学或者神经工程的科研机构？

因为你从事的是基础医学的研究工作，所以你不需要考入美国医学院（而且也基本没有过中国留学生能够考入美国医学院的先例）。但你一般需要神经科学方面的硕士（MSc-科学硕士）或博士学位（PhD-科学博士）。这种基础医学的学位是由大学研究生院颁发；而医学院是培养临床医生（DoctorofMedicine,

本人目前在美国读生物本科 想毕业后从事神经科学方面的研究 请问需要进美国医学院么？

商业转载请联系作者获得授权，非商业转载请注明出处。计算神经科学是我一直想说的一个话题，借着回答别人的问题说了一下，我只是把我的答案发上来。美国的计算神经科学博士生活是什么样的？- 留学个人觉得前面几个人都没有真正回答楼主的问题，但是身边无论是faculty还是学生在这个领域的都接触了不少，根据楼主的需求谈一谈对这个领域的理解。在回答问题之前，这个term其实是个非常新的词，其内容已经和现在的最新发展严重脱节，说明本身这是个定义快速变化发展的领域。同时需要和另一个词『bioinformatics』做出细微区分，广义的『bioinformatics』应该包括computational neuroscience，都是计算方法在生物领域的应用，所以做computational neuroscience的人一般不说自己是做『bioinformatics』广义的Computational Neuroscience (CN)，其实就是指运用计算模型(具体有machine learning，applied math相关知识) 解答神经科学问题，从这个定义来讲其实很多神经科学家都算，也的确很多人把computational neuroscience这一条加到自己的CV和研究介绍里。前者分析数据建模推崇理论，但是自己几乎从来不做实验直接验证，神经科学数据(比如电生理数据)的记录主要由后者来完成。狭义的CN研究者在整个神经科学家的队伍中只占小部分，我推测你可能是个国内高校的学生，希望申请北美狭义的CN PhD,以下的讨论也基于这个前提。录取难度个人觉得挺难。难在交叉背景。这个领域要求既要有神经科学知识，也要数学计算机的知识。难点具体来说有这么几点。1. 在目前国内的院系建构内，前者可能是在生物系，后者可能是在应用数学，从操作层面来说就不是很容易。有些学校有双学位或者辅修制度，很难有这个意识去主动的同时对这两个方向做知识储备，3. 我觉得更重要的难点在于，很多学校要求本科生科研，国内几乎找不到研究computational neuroscience导师。目前只有北师大的脑科学所的吴思老师，中科大的温泉老师，还有上海交大的David Cai等少数人算是很这方面很优秀的科学家，勾指头算我都觉得不超过10个人。光上基础课程对CN完全不会有概念，必须要一个导师一样的人带你入门才行。但是他们还是在做engineering。简单区分的话来看他们发表文章主要是在神经科学期刊上还是工程学期刊上。这还不是北美尤其是Xun Huang转载的博客里所说的CN。那么其实学习起来不是那么困难，毕业 和别的神经科学方向并无本质区别。经常看见计算背景的人转到神经科学领域，极少有生物医学背景的人来做这个，因为目前整体生物医学训练（包括心理学）中，对数学能力的要求实在太低。身边就有CN的PHD，也认识很多CN的PHD朋友，有一点不一样的就是他们几乎从来不做实验，想算法，做CN的人往往和做实验的experimentalist紧密合作，不过目前国内还没有这个意识。工业界和学术界工业界做CN在工业界一直非常好就业，尤其是在最近几年的大数据背景之下。个人觉得CN和目前最火的deep learning就是一个硬币的两面。Deep learning本身就是做CN的人发明的，计算神经科学家和做AI的计算机科学家本来就是一拨人，后来在90年代才逐渐分化开。Geffoery Hinton和Terry Sejonwski在80年代做了大量的理论奠基，后来Hinton逐渐往计算机领域靠拢，Sejonwski则继续留在了神经科学领域。在计算机领域neural network不受待见，但是在神经科学领域人们这么30多年来一直在坚持用neural network这种approach，因为本来大脑就是这么工作的嘛。还有一个例子就是UCL毕业的Demis Hassabis,PhD是做CN的，是世界上少数的顶尖AI科学家。学术界大数据和machine learning的发展最近几年也渗透到了学术界，很多神经科学家们招phd和postdoc都偏向于招有计算背景的人，哪怕你不懂神经科学技术。你懂计算还可以补习神经科学知识，你只懂神经科学老板就没耐性补习你数学知识了。本人曾经想postdoc转行做狭义的CN，CN的faculty职位哪怕在最近几年大量增加，只有少数综合实力很强的大学和研究机构有能力设置这样一个职位。做狭义的CN有一个致命弱点，有了data你才能发真正不错的paper，所以必须依靠别人的data。

美国的计算神经科学博士生活是什么样的？

作者：Ruyuan Zhang链接：https://zhuanlan.zhihu.com/p/20344082来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。计算神经科学是我一直想说的一个话题，借着回答别人的问题说了一下，并不完全，原帖链接如下，我只是把我的答案发上来。美国的计算神经科学博士生活是什么样的？ – 留学个人觉得前面几个人都没有真正回答楼主的问题，本人不算狭义 (定义后面会提) 的computational neuroscientist，但是身边无论是faculty还是学生在这个领域的都接触了不少，根据楼主的需求谈一谈对这个领域的理解。在回答问题之前，首先来说什么是computational neuroscience (也叫theoretical neuroscience)，这个term其实是个非常新的词，最开始是被Boston University的Eric L.Schwartz于1985年提出，本人手上刚好有一本此人1990年写的《Computational Neuroscience》，其内容已经和现在的最新发展严重脱节，说明本身这是个定义快速变化发展的领域。同时需要和另一个词『bioinformatics』做出细微区分，广义的『bioinformatics』应该包括computational neuroscience，都是计算方法在生物领域的应用，但是目前的bioinformatics很多是关于genetic方向，所以做computational neuroscience的人一般不说自己是做『bioinformatics』广义的Computational Neuroscience (CN)，其实就是指运用计算模型(具体有machine learning，applied math相关知识) 解答神经科学问题，从这个定义来讲其实很多神经科学家都算，也的确很多人把computational neuroscience这一条加到自己的CV和研究介绍里。但是狭义的来说，Computational Neuroscientist或者是『theoretical neuroscientist』是要和experimental neuroscientist区分开的，前者分析数据建模推崇理论，但是自己几乎从来不做实验直接验证，神经科学数据(比如电生理数据)的记录主要由后者来完成。狭义的CN研究者在整个神经科学家的队伍中只占小部分，其他大部分我们叫experimentalist. @Xun Huang贴出的那篇博客我也看过，主要是针对狭义的CN。题主问了这个问题，我推测你可能是个国内高校的学生，希望申请北美狭义的CN PhD, 以下的讨论也基于这个前提。首先，录取难度个人觉得挺难。为什么难？难在哪？难在交叉背景。这个领域要求既要有神经科学知识，也要数学计算机的知识。难点具体来说有这么几点。1. 在目前国内的院系建构内，前者可能是在生物系，心理系，后者可能是在应用数学，工程或者计算机系，从操作层面来说就不是很容易。有些学校有双学位或者辅修制度，也许能填补这类空白。2. 主观上，对于一个大一或者大二的本科生来说，很难有这个意识去主动的同时对这两个方向做知识储备，因为99%的人还不知道什么是CN。3. 我觉得更重要的难点在于，除了课程，很多学校要求本科生科研，国内几乎找不到研究computational neuroscience导师。目前只有北师大的脑科学所的吴思老师，李兆平老师，北大的Louis Tao，中科大的温泉老师，还有上海交大的David Cai等少数人算是很这方面很优秀的科学家，勾指头算我都觉得不超过10个人。光上基础课程对CN完全不会有概念，必须要一个导师一样的人带你入门才行。在一些工程院系，有很多人做complex system，neural network的研究，但是他们还是在做engineering。简单区分的话来看他们发表文章主要是在神经科学期刊上还是工程学期刊上。在我看来，这还不是北美尤其是Xun Huang转载的博客里所说的CN。那么，课程上不了，导师找不到的情况下，你觉得还容易么？如果非要说个 ，神经科学背景和数学计算机背景只能选其一的话，我建议还是选后者。其实国内院校数学，计算机和工程专业每年要毕业大量的毕业生，但是极少有人转到神经科学领域，最重要的原因还是不了解，既然不了解，也就谈不上兴趣。这个交叉学科的问题其实在很多领域都有，比如目前金融专业和数学计算机专业就是没法培养既懂金融也懂计算的人。。其次，学习难度，毕业难度假如你是一个985，211等知名院校毕业的广义工程专业的学生，高等数学，线性代数，概率统计，随机过程等都有相应的基础课程 （差一两门也没关系），那么其实学习起来不是那么困难，毕业 和别的神经科学方向并无本质区别。如果你本科是生物背景，要去补数学知识，可能要难一些。从现实来看，经常看见计算背景的人转到神经科学领域，往往都成了大牛。极少有生物医学背景的人来做这个，因为目前整体生物医学训练（包括心理学）中，对数学能力的要求实在太低。再次，生活是怎样的？身边就有CN的PHD，也认识很多CN的PHD朋友，过的日子和我们并无两样。有一点不一样的就是他们几乎从来不做实验，每天就是推公式，想算法，分析别人的实验数据，和我这样的实验狗有一点区别。有一点特别强调的是，做CN的人往往和做实验的experimentalist紧密合作，不过目前国内还没有这个意识。最后，就业情况分两部分，工业界和学术界工业界做CN在工业界一直非常好就业，尤其是在最近几年的大数据背景之下。个人觉得CN和目前最火的deep learning就是一个硬币的两面。Deep learning本身就是做CN的人发明的，从80年代起，计算神经科学家和做AI的计算机科学家本来就是一拨人，后来在90年代才逐渐分化开。Geffoery Hinton和Terry Sejonwski在80年代做了大量的理论奠基，后来Hinton逐渐往计算机领域靠拢，Sejonwski则继续留在了神经科学领域。90年代，在计算机领域neural network不受待见，直到最近又死灰复燃，但是在神经科学领域人们这么30多年来一直在坚持用neural network这种approach，因为本来大脑就是这么工作的嘛。还有一个例子就是UCL毕业的Demis Hassabis,PhD是做CN的，后来创立的deepmind，是世界上少数的顶尖AI科学家。学术界大数据和machine learning的发展最近几年也渗透到了学术界，很多神经科学家们招phd和postdoc都偏向于招有计算背景的人，哪怕你不懂神经科学技术。还是那句话，你懂计算还可以补习神经科学知识，你只懂神经科学老板就没耐性补习你数学知识了。本人曾经想postdoc转行做狭义的CN，但是被老板苦口婆心的制止了，因为从总体来看，CN的faculty职位哪怕在最近几年大量增加，也远少于experimentalist。而且，只有少数综合实力很强的大学和研究机构有能力设置这样一个职位。而且，做狭义的CN有一个致命弱点，就是你必须要和experimentalist合作，有了data你才能发真正不错的paper，所以必须依靠别人的data，没法独立。在学术界要求文章数量和质量的时候，这一行稍微有点吃亏。目前在中国做这方面研究的人很少，主要有以下几个原因1， 交叉背景，前面讲了，所以北美哪怕读CN PhD的中国学生就很少，回国的就更少。2，一般国内优秀的数学或者计算机专业的毕业生，基本也都被BAT挖走了，谁还会有心转行学点神经科学？3，现在machine learning，data science这么火，你要是读在北美CN的phd，随便硅谷找个公司高薪妥妥的，请问你还会去做年薪只有3-4w刀的postdoc么。。。我认识的读CN的phd，毕业大多数都被google挖走了。4，国内的学科壁垒太深。以前在心理系从来就没听说过心理系的人和计算机那边搞machine learning的人合作过，教授们哪怕在一个大的课题基金下也是各做各的，这个没办法，意识不够。唯一可喜的是最近国内脑科学发展较快，认识的很多物理或者数学背景的师弟师妹开始想学这个方向，以后中国人会越来越多的。但是等你过几年这一步赶上来了，谁知道美国又出现了什么新的思潮，于是永远在追赶。。。

耶鲁大学神经科学专业怎么样

神经科学是指寻求解释神智活动的生物学机制，神经科学寻求了解在发育过程中装配起来的神经回路是如何感受周围世界、如何实施行为的，它们又如何从记忆中找回知觉，神经科学也寻求了解支持我们情绪生活的生物学基础。

到美国攻读认知神经科学或神经生物学方面的研究生，本科阶段应该选什么专业比较对口

建议在本科学生物专业或者神经学专业比较对口。

世界上哪些大学计算神经科学比较好

哈佛大学除享誉世界的医学、法学研究生院和商学院外，在生物、化学、数学、文学及政治科学等专业也名闻遐迩。哈佛大学全美排名第一的专业有12个，大大超出排名第二的普林斯顿大学（7个）。这些排名最牛专业分别为：代数/数字理论/代数几何（Algebra/几何学（Geometry），生物化学/生物物理/结构物理学（Biochemistry/Biophysics/免疫学/传染病（Immunology/神经系统科学/神经生物学（Neuroscience/管理科学（Management），微生物学（Microbiology），商学院2008年综合排名（MBA），经典文学（Classics），麻省理工大学（MIT）：数量第一 麻省理工大学（MIT）依然是美国理工科领域的霸主”在物理、化学、数学、计算机科学、电子工程、材料工程、机械工程等最牛专业数量多达23个，几乎是综合排名第一的哈佛学校的两倍，这个理工科王国的最牛的专业分别是。数学（Mathematics），核能工程（Nuclear Engineering），量子物理学（Quantum），等离子学（Plasma），化学工程（Chemical Engineering），计算机原理（Theory），计算机工程（Computer Engineering），计算机科学（Computer Science），电子工程&#47，通信工程（Electrical/航空航天工程（Aerospace&#47，生产管理（Production&#47，Operations）;物流管理（Supply Chain&#47，Logistics）;(商科)信息档案系统（Information Systems），遗传学&#47，基因学（Genetics/Bioinformatics）;最牛专业：优势最集中 斯坦福大学综合排名第四“拥有排名第一的最牛专业是12个”斯坦福大学排名前十的专业竟然有63个，是TOP20中专业优势最集中的学校，专业12个“排名第十的专业1个，最牛专业，物理学（Physics）”化学（Chemistry）：生物科学（Biological Sciences），数学统计学（Statistics），地质学（Geology），遗传学&#47，基因学（Genetics&#47，Genomics/Bioinformatics）;计算机科学（Computer Science）;机械工程（Mechanical Engineering），石油工程（Petroleum Engineering），航空航天工程（Aerospace&#47，Aeronautical&#47。gineering）。