現在來說可能晚了，但是就我現在開始學的情況來看，應用數學或者應用物理無疑是最合適的（生物醫學工程也很不錯，但是鑑於各個學校叫這個名字的專業學的東西相差非常大，所以需要具體看）。計算神經科學是個非常交叉的學科，具體來說需要很好的數學功底（微積分，線性代數，動力學系統，圖論，訊號處理等等），程式設計或者計算機技術（matlab，python等等，另外平時基本都是用linux，所以還是略懂比較好），還需要足夠的Neuroscience的基礎（建立的計算模型當然需要符合neuroscience），英語也需要好（基本沒有國內的相關期刊，都是英文的文獻，華人當然也是寫成英文的發在國外期刊上）。但是計算機，英語，neuroscience都是可以後面補的，數學的功底則絕對是需要長時間的積累的，這也是我建議本科學習數學相關專業的原因。
從這個角度來說，這真的是一個超級超級酷的學科！！！一天做的事情跨度非常大，經常上午學習某個數學理論，下午看看Neuroscience的內容，晚上寫個code，看看機器學習的東西。正是因為這麼厚的交叉性所以沒有本科直接對應的專業（國內，國外不瞭解），讀研的時候都需要惡補很多其他領域的東西。說這個學科很酷，不僅僅是這樣，還在於我覺得它就是以後強人工智慧的希望。computational neuroscience聽名字就知道是一個連線對人的大腦的研究和計算模型的這麼一個學科。Evolutionally speaking，我們有充分的理由相信人類的大腦結構是一個非常efficient的智慧結構。如果最後能夠透過將對人腦的實驗研究（當然大部分實驗資料是來自猴子老鼠等動物）抽象出數學模型並且硬體實現，那才是真正的人工智慧！而現在的深度學習雖然是一個很好的產業化的工具，但是距離智慧還差很遠（比如需要大量的資料，generalization ability和人比差太遠等等），而且背後的biology intuition實在是太簡單。
這個學科國內真的是才起步，這個圈子國內做得好的老師感覺說5人可能都說多了，但是國外真的是不一樣的圈子。所以如果有機會出國讀的話自然最好。
That"s it.
---------------
2017.05.24 更新：Disclaimer: 現在回頭看來，我做得還是挺偏機器學習的。說起來，人工智慧本來就可以從計算機或者生物這兩個角度去嘗試。偏計算機的方向叫做機器學習，偏生物的方向叫做計算神經科學。但是這並不是兩個獨立的端點。很多人做的研究在這兩個點連成的線所形成的spectrum上。我自己的方向大概在中點偏計算神經科學一點。所以我對於這個學科的理解，自然會和一些其他的計算科學家不一樣。比如更偏計算神經科學方向的話，對神經科學知識要求更多，對數學要求更少。更偏機器學習方向的話，要求反過來。你做的工作方向自然取決於你的lab的方向和專長。如果你想做的計算神經科學是，在已經做好的神經科學實驗上建立模型。那對數學的要求是非常基礎的。一般這樣的實驗和建模一起的文章，都是要求模型越簡單越好。審稿人都是學神經科學的，複雜的模型也看不懂。如果你理解的計算神經科學是從神經科學出發，去啟發機器學習，改良現有的演算法，那自然需要更好的數學和演算法功底。
現在來說可能晚了，但是就我現在開始學的情況來看，應用數學或者應用物理無疑是最合適的（生物醫學工程也很不錯，但是鑑於各個學校叫這個名字的專業學的東西相差非常大，所以需要具體看）。計算神經科學是個非常交叉的學科，具體來說需要很好的數學功底（微積分，線性代數，動力學系統，圖論，訊號處理等等），程式設計或者計算機技術（matlab，python等等，另外平時基本都是用linux，所以還是略懂比較好），還需要足夠的Neuroscience的基礎（建立的計算模型當然需要符合neuroscience），英語也需要好（基本沒有國內的相關期刊，都是英文的文獻，華人當然也是寫成英文的發在國外期刊上）。但是計算機，英語，neuroscience都是可以後面補的，數學的功底則絕對是需要長時間的積累的，這也是我建議本科學習數學相關專業的原因。
從這個角度來說，這真的是一個超級超級酷的學科！！！一天做的事情跨度非常大，經常上午學習某個數學理論，下午看看Neuroscience的內容，晚上寫個code，看看機器學習的東西。正是因為這麼厚的交叉性所以沒有本科直接對應的專業（國內，國外不瞭解），讀研的時候都需要惡補很多其他領域的東西。說這個學科很酷，不僅僅是這樣，還在於我覺得它就是以後強人工智慧的希望。computational neuroscience聽名字就知道是一個連線對人的大腦的研究和計算模型的這麼一個學科。Evolutionally speaking，我們有充分的理由相信人類的大腦結構是一個非常efficient的智慧結構。如果最後能夠透過將對人腦的實驗研究（當然大部分實驗資料是來自猴子老鼠等動物）抽象出數學模型並且硬體實現，那才是真正的人工智慧！而現在的深度學習雖然是一個很好的產業化的工具，但是距離智慧還差很遠（比如需要大量的資料，generalization ability和人比差太遠等等），而且背後的biology intuition實在是太簡單。
這個學科國內真的是才起步，這個圈子國內做得好的老師感覺說5人可能都說多了，但是國外真的是不一樣的圈子。所以如果有機會出國讀的話自然最好。
That"s it.
---------------
2017.05.24 更新：Disclaimer: 現在回頭看來，我做得還是挺偏機器學習的。說起來，人工智慧本來就可以從計算機或者生物這兩個角度去嘗試。偏計算機的方向叫做機器學習，偏生物的方向叫做計算神經科學。但是這並不是兩個獨立的端點。很多人做的研究在這兩個點連成的線所形成的spectrum上。我自己的方向大概在中點偏計算神經科學一點。所以我對於這個學科的理解，自然會和一些其他的計算科學家不一樣。比如更偏計算神經科學方向的話，對神經科學知識要求更多，對數學要求更少。更偏機器學習方向的話，要求反過來。你做的工作方向自然取決於你的lab的方向和專長。如果你想做的計算神經科學是，在已經做好的神經科學實驗上建立模型。那對數學的要求是非常基礎的。一般這樣的實驗和建模一起的文章，都是要求模型越簡單越好。審稿人都是學神經科學的，複雜的模型也看不懂。如果你理解的計算神經科學是從神經科學出發，去啟發機器學習，改良現有的演算法，那自然需要更好的數學和演算法功底。