不好说，本科电子相关，就本科那点东西，verilog都是选修内容，数模集也不是必修，稍微想学点东西基本全靠学生自己出去打比赛，对口就业就是fab，想进ic设计是不可能的，况且大厂也基本没有招本科生的

国内硕博除了头部几间名牌 基本都是糊弄人的 不过不能怪 因为大多数人都是为了工作 为了卷 要提升科学素养水平还得去外国 英美加澳

做cv的，这个领域就充满着大量的a+b的缝合文章，顶刊顶会产出了新模块，我们拿过来缝进去就是一篇paper，甚至造假，训练集合测试集泄露，涨了点就行，疯狂灌水

引用 微调 老师发在社交媒体上的一段话
大部分人冠冕堂皇的科研品味，其实只是笑话
熟悉我的人应该知道，我安身立命的核心方向叫做异常检测（anomaly detection）、离群值检测（OOD detection）。
而在我刚入门的时候，发现我们领域虽然不大，但是大家都嗖嗖嗖的发三大会、KDD/TKDE，新的算法层出不穷，我觉得真的厉害。但是后来入行久了，我才发现了里面最大的问题是缺少基准和大规模数据。比如我们领域有50个不大不小的数据，很多人瞎提个新算法，然后在其中20个上表现不错，就发出来了论文，事实上毫无意义。
在我发现这一点后，就联合朋友们做了ADBench，第一次研究了30个异常检测算法在57个数据上（不同场景下的）的表现，并通过统计学分析发现其实并没有所谓的SOTA，同理我们在图和时间序列也做了大规模的benchmark。这三篇异常检测的benchmark都发在了NeurIPS当时新开的benchmark和dataset track。我很自豪的是这几篇文章是这几年很多异常检测研究的基础，也被大家广泛引用。
我另一个对异常检测的贡献，就是开源工具库和系统，我参与设计了PyOD, PyGOD，TODS, SUOD等等等异常检测相关的工具，下载量几千万，也可以说很多人跑的baseline都是从这来的。
但是，这些算研究吗？其实这些就是很多网友嘴里的没有品味的工作。但我的回答很简单，我觉得这些都是很有意义的研究。比如benchmark里面我们发现异常检测算法表现上其实缺乏统计学SOTA，我们发现了某些弱监督学习在被污染数据时对标签的利用率很高，需要被继续挖掘，我们提出了很多新的有意义的方向。做系统的时候我们开发了新的并行算法，并基于meta learning的预测模式来优化系统负载。
靠着这些没意义的工作，我拿到不止一个很好的教职机会，工业界合作也很多。因此，在我看来，科研品味的核心是你自己觉得有用、有意思。如果对真实世界也有用，那就更好了。
而自古以来文人相轻，AI届现在有种论调，就是做Survey，benchmark，system/开源就是没品味，就是灌水。扪心自问，做a+b提升1个点，跑200次找一个过得去种子，偷偷泄露一点测试数据到验证集里调参做出的所谓顶会文章，又有任何意义吗？如果没有意义，NeurIPS和KDD***enchmark track，又是在呼吁什么？
学术界最大的优点就是兼容包并，能够尊重并理解不同工作存在的意义，才能让你走的更远。

那本科搞科研算什么

...这帖子回复大多数应该都没考上硕士或者还没考硕士或者本身就是水硕吧~真的搞过的问的应该是“科研搞xx方向真的有意义么？”问硕士科研有什么意义...还不如问工作有什么意义？生活有什么意义？谈恋爱生孩子有什么意义？另外就是知网...文献只到知网基本来说也不太适合搞科研了...毕竟搞科研还是需要点认知水平作为底线的...（学校本科没有文献检索这一课么？还是只上了第一节，只讲到知网和万方？）

科研？对大多数人来说不过是另一种形式的应试教育罢了。对于大多没有平台没有资源的人来说是没有办法的办法

个人觉得硕士期间的科研就是一种能力的培养和锻炼，目的不在于指望硕士能产出多少成果，而在于基本素养的提升，以及进一步对个人未来发展方向的一种评估吧。国家转型战略需要更多这种所谓的科研牛马来支撑，很多理论和技术实际上只依靠本科阶段的学习是无法完成的

顶

所以教育部大力推专硕，推工程硕士，推可以用企业实践经历代替毕业论文。

本质上硕士博士跟本科一样，也是国家筛选的过程。通过的往上走，通过不了，就业。

硕士搞科研主要还是学习如何搞科研，一般情况下成果的价值确实不高，但没有硕士阶段的锻炼学习，博士阶段搞科研也不过是空中楼阁。