更多的数学上的训练是非常有益的，在学习数学的过程中除了获得知识，关键也要要锻炼思维。譬如说，提起图论，在本科阶段一般更重视算法和一些简单的特性，但是研究生阶段就可以接触到 Tutte Polynomial、Lagrange Inversion、Parking Function 等等课题，算法方面则更重视 time complexity 的分析，除了一般的 NPC 问题的分析，还会包括 Amorized Analysis 和 Approximate Algorithm 等。
总体来说，计算机方向的研究生，除了在大的方向上分为软件和计算机科学之外，在小的方向也很细分。
大概来讲可以分为
1. 计算机网络 2. 计算机图形学 3. 智能信息处理。
计算机网络方面和 EE 方向的重合很多。很多搞无线通信的也会研究类似的东西。软硬结合的成分多一些。
计算机图形学先在的热点是和智能信息处理重合领域，主要在 Computer Vision 方面，是 AI 研究方向的一个重点，之前 Google 在国内招收的机器学习实习生就是这个方向。此外的图形化渲染等方面，国内只有清华还算行，因此想要研究这个方向又去不了清华就放弃吧。否则 Siggraph 基本没戏。
智能信息处理主要是 Nature Language Processing、Machine Learning、AI、Data Mining 等等，也是互联网方面比较热门的方向。这个方向在一些国际知名大学都是放在统计学院的，因此机器学习又叫统计学习。甚至可以说，我们现在研究的机器学习算法，其实二十年前统计学家都已经研究过了，只不过当时机器性能太差，因此很多理论上的东西无法实现。
我认为可以把研究生作为一个就业方向，把你能考上的学校和能拿到 Offer 的企业放在一起对比。譬如说，如果拿了 Google 的 Offer (vs) 国内排名前三以后的学校，那么显然应该选前者。
此外，计算机领域的研究往往是螺旋上升的，举个栗子，现在深度学习很火爆，但是深度神经网络其实十年前就已经提出了，各种算法其实很早就完善了。那么为什么现在才火起来？因为之前我们想要训练这么大规模的模型是不可能的，只有少数机构能做到，而现在大面积的变成了可能的了。也就是说深度学习的火爆并不是因为现在有什么 Break Through 了，而是因为我们现在能算这么大的模型了。
“计算机图形学先在的热点是和智能信息处理重合领域，主要在 Computer Vision 方面，是 AI 研究方向的一个重点，之前 Google 在国内招收的机器学习实习生就是这个方向。此外的图形化渲染等方面，国内只有清华还算行，因此想要研究这个方向又去不了清华就放弃吧。否则 Siggraph 基本没戏。”