Zhihu Live - 2018.01.28

1 minute read

Published:

本 blog 对应于我的 Live 本科深度学习及求职经验分享

在人工智能越来越火的大背景下,越来越多的人开始接触机器学习、深度学习,其中不乏很多本科就开始学习这方面知识的同学。但一领域需要牢固的基础,而且知识量很大,因此想要在短时间内掌握好这些东西是一件十分困难的事情,大多数公司的门槛也就自然成了硕士。但是,本科就不能学的很好吗?就不能有竞争力吗?我看未必。

我从大二伊始开始接触机器学习,并且进入我们学院的某个实验室从事这方面的研究工作,并且在课内外做了很多项目和比赛,这些经历让我在去年春招秋招时,收获了 Baidu、Alibaba、DiDi AI Lab、出门问问、Rokid、OpenAILab、ai speech、AKULAKU 等等公司的实习和校招 Offer,并最终签约阿里巴巴。

这一切当然不是一帆风顺的,即使选对了方向,前路也是遍布荆棘。希望我的经历可以让大家少走弯路,成为一个优秀的 DLer。

本次 Live 主要包括以下内容

  • 大学期间学习经历分享
  • 如何进入实验室做科研?如何平衡专业积累和课程成绩?
  • 机器学习算法方向 求职经历分享和经验总结
  • 关于机器学习和深度学习,我推荐的学习路线
  • 入门以后,如何选择自己感兴趣的方向?如何做深?
  • 阅读论文的正确姿势
  • 就业、留学还是继续深造?
  • 求职简历怎么写?如何找到别人难以发现的机会?
  • 我的春招秋招经验分享和建议
  • Q&A

一、大学经历

1. 误入“歧途”

  • 入坑 iOS 开发
  • 对待通选课的态度
  • 沉迷电脑软硬件,折腾操作系统
  • 个人建站

2. 寻得所爱

  • 机会留给有准备的人 - 机缘巧合入坑机器学习

  • 万事开头难 - “啃”完第一篇论文

  • 幡然悔悟 - 重学数学

  • 磨刀不误砍柴工 - 选择合适的工具

    • 熟练使用 Numpy、Matplotlib、Pandas
    • 选择一种机器学习库,熟练使用 - scikit-learn、gensim
    • 配置你的开发环境
      • 硬件
      • 软件

3. 实验室

在做 Research 时,你的模型结构需要自己定义,因此不能完全依赖于开源框架,需要有能力自己实现。

  • 系统性学习机器学习基础
    • 西瓜书
    • 机器学习实战
    • YouTube
  • 培养学术领域的 sense,研读论文
    • 一开始读论文,会遇到那些坑?
      • “黑话”
      • 令人困惑的上标、下标
    • 如何选择、寻找高质量的论文
      • 顶会:NIPS、ICML、CVPR、ICCV、ECCV、IJCAI、KDD、SIGGRAPH…
      • Google Scholar、Microsoft Research
      • 我爱机器学习/我爱自然语言处理
      • 一众学术类公众号
        • PaperWeekly
        • 超级数学建模
        • 机器学习研究会
        • 机器之心
        • 微软亚洲研究院 AI 头条
    • 读论文的正确姿势
      • 注意文章结构
      • 纸质 » 电子版
      • 注意横向的对比,总结演进的逻辑
  • 勤于思考,不要被已有的观念限制思路
    • 现状存在哪些问题,不要因为别人说有问题就觉得有问题,别人没说就觉得没问题
    • 思考如何改进

4. ML to DL

人工智能

  • 强人工智能(Awareness)
  • 弱人工智能(Current)

联结主义、统计学主义、符号主义……

入门读物

由宽而专,确定方向

各具特色,又互相关联。

  • Computer Vision
    • 计算机视觉 算法与应用
    • OpenCV 2/3
  • NLP
    • 编译原理
  • Speech
    • 语音识别实践
  • Game AI
    • RL
  • … …

如何做深

  • 参加比赛
    • Kaggle
    • 天池
    • CCF
    • JData
    • AI Challenger
  • 实验室项目
    • Research
    • 外包
  • 实习

二、实习经历

即使你准备读研、或者出国,我也建议你参加一下春季或者秋季的招聘,看看自己能走多远。

1. 时间节点

  • 二月底、八月底
  • 小公司大都持续招聘

2. 必要的准备

  • 找师兄“拉个皮条”?
  • 笔试、面试侧重
    • 数学、数据结构和算法、项目
    • 常用的算法的原理,必要的公式推导
    • 实践经验(很重要)
  • 简历准备
    • 朴素 or 华丽
    • 从哪找 “模板”?
    • 中英文
      • overleaf (online LaTeX editor)
      • showcase
  • 寻找合适的岗位
    • BAT?TMD?Face++/Sensetime/Deepglint/TuSimple
    • MSRA?Google?
    • Startups?
    • 国外的机会,remote work
      • angel.co
      • Hired
      • glassdoor
  • 学历的劣势

3. 实习心得

  • 以人为镜
  • 注意 teamwork
  • 持续学习,乐于分享
    • “小黄鸭”
  • 实习经历可以弥补学历上的劣势

4. 巨头 OR 初创公司?

三、读研 / 出国 / 工作

没有最好的选择,也没有那个更坏。

对大多数人来说,研究生最大的意义可能是那个学位证,but it’s necessary。

Aims + Trends。

Take your time, step by step.

For Fun