PS的寫法
留學(xué)文書在西方的文化背景下是申請(qǐng)入學(xué)(獎(jiǎng)學(xué)金)的極為重要的組成部分。所謂留學(xué)文書，如PERSONAL STATEMENT，推薦信，RP(Research proposal),CV等是一套文件系統(tǒng)，用以向錄取院校從各個(gè)角度展現(xiàn)您的求學(xué)動(dòng)機(jī)，學(xué)術(shù)學(xué)習(xí)能力，工作和研究經(jīng)歷，結(jié)合一系列更“客觀”，可量化的指標(biāo)：如 GRE，TOEFL，IELTS，GPA等構(gòu)成您的全貌。其中個(gè)人陳述，(PERSONAL STATEMENT，以下簡(jiǎn)稱PS)往往對(duì)您的申請(qǐng)是否成功起到很大的作用。
隨你譯在為眾多留學(xué)機(jī)構(gòu)的申請(qǐng)人進(jìn)行留學(xué)文書的咨詢和寫作過程中發(fā)現(xiàn)，本留學(xué)翻譯內(nèi)容由譯聲翻譯公司整理提供由于中西方教育體制的差異和網(wǎng)上各種良莠不齊的“范文“的誤導(dǎo)，許多申請(qǐng)人的PS寫作理念非�；靵y，本文結(jié)合中國(guó)申請(qǐng)人文書寫作的常見弊端，簡(jiǎn)述PS的寫作要領(lǐng)。
個(gè)人陳述，(PS)是申請(qǐng)美國(guó)，加拿大，英國(guó)等西方國(guó)家的大學(xué)/研究生錄取時(shí)由申請(qǐng)人寫的關(guān)于自我的一篇漫談體文章。當(dāng)然有的學(xué)校要求的文章題目不一定叫PERSONAL STATEMENT，如有的學(xué)校讓你寫出動(dòng)機(jī)(Motivation)興趣，經(jīng)歷等。由于在中國(guó)的升學(xué)體制中，基本上是唯分?jǐn)?shù)論的，因此中國(guó)的申請(qǐng)人對(duì)這類文件的寫作和思維方式不熟悉。而歐美大學(xué)錄取學(xué)生，發(fā)放獎(jiǎng)學(xué)金，是通過全面綜合考察申請(qǐng)者的條件來決定的。
一、PS的長(zhǎng)度
在歐美，PS歸為ESSAY(漫談)類，是一種短小精悍的文體。隨你譯曾深入研究過歐美出版的優(yōu)秀PS文選，無不短小精悍，內(nèi)容卻非常豐滿，文筆優(yōu)美。一般來說一篇PS的正常長(zhǎng)度為600—800英文單詞，而相當(dāng)多的中國(guó)申請(qǐng)人的PS超長(zhǎng)。隨你譯曾經(jīng)見到某些人的PS寫到3千多字。
很多中國(guó)申請(qǐng)人試圖把自己的方方面面的優(yōu)點(diǎn)和成績(jī)展示出來，須知PS不是簡(jiǎn)歷的詳細(xì)補(bǔ)充，許多信息可以通過其它文件展示(如學(xué)習(xí)成績(jī))。美國(guó)大學(xué)的招生人員曾談到：在留學(xué)申請(qǐng)旺季時(shí)，面對(duì)堆積如山的文件，一般他們審查一個(gè)PS的時(shí)間只有2、3分鐘，那種長(zhǎng)篇大論類的PS只能讓人心生厭煩。
PS必須緊扣所要申請(qǐng)那個(gè)專業(yè)的主題寫，主線要明確，不要盲目的個(gè)性化
許多人都一知半解地聽說PS需要“獨(dú)特個(gè)性”(unique)，和“煽情”(Emotional),因此挖空心思地找自己的“獨(dú)特“點(diǎn)和亂“煽 情“，結(jié)果往往南轅北轍，許多中國(guó)申請(qǐng)人往往用大段篇幅寫一些不相干的個(gè)性，在招生者眼中，這完全不著邊際(make no sense)。必須明確，PS這樣一篇短短數(shù)百字的文章是沒有地方去說不相干的廢話的。通過PS您必須讓招生者知道您選擇該專業(yè)的明確和強(qiáng)烈的動(dòng)機(jī)，同時(shí)具備充分的條件完成該專業(yè)的學(xué)習(xí)。當(dāng)然在這個(gè)基礎(chǔ)上每個(gè)人都可以通過很獨(dú)特而有個(gè)性的文字來表達(dá)自己。努力做到既突出了個(gè)性，又緊扣申請(qǐng)CS專業(yè)應(yīng)具有的重要素質(zhì)體現(xiàn)出來。
二、PS的主旨：主線明確，便于理解
“Simple is the best”請(qǐng)記住，招生人員每天要讀大量的申請(qǐng)資料，只有那種簡(jiǎn)單有力重點(diǎn)突出的的文章才能打動(dòng)招生人員。留學(xué)文書其實(shí)是您個(gè)人的廣告，您仔細(xì)想想，給您留下深刻印象的廣告哪個(gè)不是簡(jiǎn)明而有力的？中國(guó)申請(qǐng)人往往傾向于把自己的優(yōu)點(diǎn)不分主次全都告訴招生人員，導(dǎo)致的結(jié)果就是招生人員對(duì)您的整體印象的模糊。隨你譯的意見是，PS中什么都是重點(diǎn)，就等于沒有重點(diǎn)。
三、精心安排PS和其它文件的關(guān)系
如上所述，PS，推薦信，簡(jiǎn)歷等文件構(gòu)成一整套申請(qǐng)文件系統(tǒng)，既需要相互呼應(yīng)，也需要這些文件各有側(cè)重點(diǎn)。因此在寫作這些文件之前必須總體構(gòu)思安排文章的布局和每個(gè)文件突出的重點(diǎn)。許多申請(qǐng)人將本該由簡(jiǎn)歷或推薦信突出的內(nèi)容放在PS本留學(xué)翻譯內(nèi)容由譯聲翻譯公司整理提供中，這樣不但造成信息的無效重復(fù)，同時(shí)弱化了PS應(yīng)起的作用。
四、地道的英語
中國(guó)人自己讀得很順的英語往往是按中文的語言邏輯寫成的“中式英語”,不但會(huì)大大削弱您想表達(dá)的意思,產(chǎn)生誤解,而且會(huì)讓招生人員看起來很枯燥無味(DULL)。有些申請(qǐng)人，特別是考過GRE的申請(qǐng)人，用詞句式過于夸張，古怪，不符合英語的思維本留學(xué)翻譯內(nèi)容由譯聲翻譯公司整理提供這種中國(guó)學(xué)院英語，其實(shí)經(jīng)常讓外國(guó)教授難以理解或是看后笑得前仰后合。完成的文件最好由母語人士進(jìn)行修改。如果您對(duì)PS的寫作沒有把握，可以試試隨你譯的專業(yè)留學(xué)文書寫作，我們會(huì)根據(jù)您提供的基礎(chǔ)材料，為您進(jìn)行專業(yè)的翻譯文書寫作。
看過篇文章的網(wǎng)友還在看:
類別：
機(jī)器學(xué)習(xí)已經(jīng)在許多方面取得了進(jìn)步。這篇文章總結(jié)了其中的四個(gè)方面，并且討論了當(dāng)前一些公開的問題。四個(gè)方面的問題是
通過對(duì)多分類器集成的研究來提高分類的精確度。 (2)用按比例增加的方法負(fù)責(zé)研究算法 (3) 強(qiáng)化學(xué)習(xí), 以及 (4) 復(fù)雜隨機(jī)模型的學(xué)習(xí)。
過去五年在機(jī)器學(xué)習(xí)的研究方面已經(jīng)取得了驚人的發(fā)展。導(dǎo)致這種發(fā)展的原因有許多：首先，基于符號(hào)機(jī)器學(xué)習(xí)的單獨(dú)研究群體，計(jì)算的學(xué)習(xí)理論，神經(jīng)網(wǎng)絡(luò)，統(tǒng)計(jì)學(xué)
,
和模式識(shí)別都逐個(gè)被發(fā)現(xiàn)并且共同起作用。第二，機(jī)器學(xué)習(xí)技術(shù)正適合于解決新問題，包括數(shù)據(jù)庫(kù)技術(shù)的發(fā)現(xiàn)、語言處理、機(jī)器人控制、和最佳化配置，還有許多傳統(tǒng)問題比如語音識(shí)別、外觀識(shí)別、筆跡識(shí)別、醫(yī)學(xué)數(shù)據(jù)分析，以及游戲競(jìng)技。
在這篇文章中，我選擇了四個(gè)有關(guān)機(jī)器學(xué)習(xí)的主題，近來在這些主題上都有許多探討。寫這篇文章的目的是展示機(jī)器學(xué)習(xí)在這些領(lǐng)域的進(jìn)展以發(fā)展人工智能，和起草一些公開的研究問題。主要研究領(lǐng)域是
多分類器集成,(2) 用按比例增加的方法負(fù)責(zé)研究算法(3)強(qiáng)化學(xué)習(xí),以及(4)復(fù)雜隨機(jī)模型的學(xué)習(xí)。
Machine-learning research
has been making great progress in many directions. This article summarizes four
of these directions and discusses some current open problems. The four
directions are the improvement of classification accuracy by learning ensembles
of classifiers, (2) methods for scaling up supervised learning algorithms, (3)
reinforcement learning, and (4) the learning of complex stochastic models.
The last five years have seen an explosion in machine-learning research.
This explosion has many causes: First, separate research communities in symbolic
machine learning, computation learning theory, neural networks, statistics, and
