第一大類Theoretical computer science數學要求高，如果不是在清北復交碾壓全系否則不建議。發論文困難因為太難，各種資料也不好看因為你的論文世界上沒多少人能看得懂，更不要說有人引用之類的。人家問你天天在幹啥的時候你就只能呵呵了。入門門檻極高，尤其不適合在中國搞。由於屬於基礎理論研究，經費不好申請，找工作也很艱辛。下屬：Theory of computationInformation and coding theoryAlgorithms and data structuresProgramming language theoryFormal methods
第二大類
Computer Systems（大多數）Coding要求高，專案週期長（超過一年很正常），因此風險很大。入門門檻同樣很高，需要對於計算機系統自身十分了解，也需要長期積累。可以在中國搞，但是不推薦。經費充裕，既可以在工業界搞也可以在學術界混。不過前期積累（博士）過程非常長以及辛苦。下屬：Computer architecture and engineeringComputer Performance AnalysisComputer security and cryptographyComputer networksConcurrent, parallel and distributed systems
第三大類
Applied Computer Science顧名思義，就是和計算機本身沒什麼關係，而是用計算機解決一些周邊的問題。（不排除個別，比如graphics裡面會有@Yong He這種比較高階的研究GPU的設計的問題，但是這就屬於system::-->architecture，只不過一般在中國就做不到這麼高階的層次了，一般就是處理處理影象啦啥的。）既然是計算機應用，就要看是啥應用了，不過絕大多數門檻比上述兩者低得多，既不需要很強的數學功底，也不需要特別強的coding能力就可以入門，基本要求是肯吃苦，上手首選（我就是）。當然了，如果需要搞出頭，最好還是要有好的數學和寫程式基礎。特別適合在中國從事。下屬：Artificial intelligenceComputer graphics and visualizationHealth informaticsInformation science
Computational biology
Databases and data science
Computer Education
等等，不一而舉。
======補充=======
看來大家都很關心AI下的分類哈哈，不出所料。我不是搞AI的，給你們貼個清華KEG的圖：The History of AI 按我淺薄的瞭解，AI也分成基礎和應用兩部分，基礎有：control, planning and scheduling, knowledge representation, 和 machine learning，應用就多了，有natural language processing, computer vision等等，後者是在前者的基礎上結合自身研究問題的特點解決問題。
第一大類Theoretical computer science數學要求高，如果不是在清北復交碾壓全系否則不建議。發論文困難因為太難，各種資料也不好看因為你的論文世界上沒多少人能看得懂，更不要說有人引用之類的。人家問你天天在幹啥的時候你就只能呵呵了。入門門檻極高，尤其不適合在中國搞。由於屬於基礎理論研究，經費不好申請，找工作也很艱辛。下屬：Theory of computationInformation and coding theoryAlgorithms and data structuresProgramming language theoryFormal methods
第二大類
Computer Systems（大多數）Coding要求高，專案週期長（超過一年很正常），因此風險很大。入門門檻同樣很高，需要對於計算機系統自身十分了解，也需要長期積累。可以在中國搞，但是不推薦。經費充裕，既可以在工業界搞也可以在學術界混。不過前期積累（博士）過程非常長以及辛苦。下屬：Computer architecture and engineeringComputer Performance AnalysisComputer security and cryptographyComputer networksConcurrent, parallel and distributed systems第三大類
Applied Computer Science顧名思義，就是和計算機本身沒什麼關係，而是用計算機解決一些周邊的問題。（不排除個別，比如graphics裡面會有@Yong He這種比較高階的研究GPU的設計的問題，但是這就屬於system::-->architecture，只不過一般在中國就做不到這麼高階的層次了，一般就是處理處理影象啦啥的。）既然是計算機應用，就要看是啥應用了，不過絕大多數門檻比上述兩者低得多，既不需要很強的數學功底，也不需要特別強的coding能力就可以入門，基本要求是肯吃苦，上手首選（我就是）。當然了，如果需要搞出頭，最好還是要有好的數學和寫程式基礎。特別適合在中國從事。下屬：Artificial intelligenceComputer graphics and visualizationHealth informaticsInformation scienceComputational biology
Databases and data science
Computer Education
等等，不一而舉。
======補充=======
看來大家都很關心AI下的分類哈哈，不出所料。我不是搞AI的，給你們貼個清華KEG的圖：The History of AI 按我淺薄的瞭解，AI也分成基礎和應用兩部分，基礎有：control, planning and scheduling, knowledge representation, 和 machine learning，應用就多了，有natural language processing, computer vision等等，後者是在前者的基礎上結合自身研究問題的特點解決問題。
其他的比如說data mining就是data science的應用，理論就是database，研究怎麼表示和儲存和高效訪問資料。
為什麼說第三類容易上手，尤其是第三類中又更加的應用部分？因為首先應用有實際問題，有多少問題就可以發多少paper，問題不夠還可以自定義，關鍵是手快肯吃苦。其次應用的reasoning的比重比較輕，可以類比數學和生物：數學一個Gauss比一萬個弱逼數學家貢獻值都大，但是生物你一個人能頂人家幾個就不錯了，實驗一 步一步做，程式碼一行一行寫，實驗結果出來之前誰都沒有100%的把握你的方法就一定work一定比別人的好；但是數學就不一樣了，我證明他好，除非證明錯了，否則就是好。在國內最興的DM啊vision啊或者國內graphics啊都屬於很應用的，發論文都很多很快。比方說CMU做理論（第一類）的有大概20個教授，vision只有2-3個，而DM整個四大也就Christos和Jure兩個人算是全職搞的吧，因為這些在CS的整棵大樹下也就是很小的一個分類， 但是國內就完全反過來了。識時務者為俊傑，前兩項在CS裡面比較核心，國外牛逼的人太多，現實一點選擇一些容易一點的這也是無可厚非的，畢竟大家都還要升職評職稱呢呀。