毕竟，如果人生（至少）三分之二的韶光都在事情，那么最好找一份值得的吧。
本文的灵感源于我和一个三年级学生的谈论，他认为从事 AI 的人很难通过校园招聘找到满意的事情机会。此外，我在为口试做准备的时候，创造人们利用了大量资源，但根据过去几个月的履历，我认为对付大多数 AI 从业职员，很多基本资源都是不必要的，文末列出了所需资源的最简清单。本文首先先容如何在口试中引起把稳，然后我供应了一份可以申请的企业和初创公司名单，接着是如何在口试中取获胜利。我根据个人履历，增加了一个我们该当为何努力事情的部分。末了是准备事情所需的最少资源。
把稳：对付那些在等校园招聘的人，我想补充两点：首先，我要说的大部分内容（可能除了末了一点）都与你无关。但是，第二点是，正如我之条件到过的，校园招聘的事情机会大多是软件工程岗，与人工智能没有交集。以是，这篇文章是专门为那些想利用人工智能办理有趣问题的人写的。此外，我还想补充一点，我并没有通过所有口试，但我想这便是失落败的意义——它是最伟大的老师。本文提到的事情可能并非全都有用，但这些都是我的履历，我不知道还有什么办法能让它变得更有说服力。
一、如何在口试中引起把稳
诚笃说，这一步最主要。让社会招聘变得如此困难和怠倦的缘故原由是如何让招聘职员在收到的浩瀚申请中仔细查看你的个人资料。与公司内部职员建立联系可以让你很随意马虎地得到推举，但一样平常而言，这一步可细分为三个关键步骤：
1. 做好干系准备
即准备好领英档案、Github 档案、个人网站以及一份精心打造的简历等材料。首先，你的简历该当非常整洁和精髓精辟。可以根据 Resume Revamp来方案简历，它包含我想说的所有有关简历的内容，我自己也一贯用它作为参考。至于简历模板，Overleaf 上供应的一些格式很不错。我个人利用deedy-resume，以下是预览：
如上图所示，一页可以有很多内容。但是，如果你要写的内容不止于此，那么上述格式的直接效果不会太好。你可以在这里找到多页格式：https://latexresu.me/。下一个要点是你的 GitHub 资料。很多人仅仅由于它不像 LinkedIn 那样具备「谁看过你的资料」选项，而低估了它的主要性。人们真的会看你的 GitHub，由于这是验证你 CV 中提及项目的唯一办法，鉴于人们现在在自己的职业资料中添加了很多与各种盛行词干系的噪声。尤其是对付数据科学来说，开源意味着把利用的很多工具、实现的不同算法、各种学习资源都开放出来了。我在之前的文章里谈过开源的益处和如何从头开始创建自己的 GitHub。最低哀求是：
创建一个 GitHub 账号；为自己做过的项目创建一个 repo；添加关于如何运行代码的清晰文档解释；为每个提及函数浸染、参数意义、格式和脚本的单个文件添加解释文档。第三步是大部分人短缺的，即在招聘网站上展示自己的经历和个人项目。制作个人职业资料表示你非常严明地考虑进入某领域，在真实性上加了很多分。此外，履历（CV）常日会有空间限定，可能会缺失落一些主要细节。你可以在个人职业资料中深入先容这些细节，推举对项目／思路进行某种形式的可视化或其他展示。创建一份职业资料非常大略，有很多免费平台，通过拖放功能就可以实现这一过程。我个人利用 Weebly，这是个广泛利用的工具。开头有 reference 更好。有很多不错的例子，不过我参考了 Deshraj Yadav 的个人网站，制作了我自己的：
末了，很多招聘者和创业公司开始利用领英作为招聘平台，领英上有大量好事情。除了招聘者之外，担当有影响力职务的人在领英上也很生动。因此，如果你可以吸引他们的把稳力，你就有机会进入口试。
此外，掩护个人资料也是必要的，这样人们更故意愿与你联系。领英的一个主要部分是搜索工具，如果你想被看到，那么你的资料中必须有干系关键词。我变动了很多次，进行了多次评估，才有了一份不错的个人资料。你还该当请同事或领导为你的技能背书、写推举语。所有这些都会提高你被把稳到的几率。领英和 Github 个人资料指南，可参考：https://career-resource-center.udacity.com/linkedin-github-profiles。
这看起来太多了，但是记住，你不必要一天内或者一周、一个月内完成。这是一个过程，一个不会结束的过程。起初设置好统统肯定须要你付出精力和韶光，但是一旦完成，你就只须要定期更新条款就可以了，这种方法不仅随意马虎，而且还可以随时随地评论辩论自己，不用刻意准备，由于你对自己已经有了清晰的认知。
2. 确保真实性
我见过很多人犯下这样的缺点，他们的个人资料涌如今多个不同的职位之外。我认为，更好的做法是先确定自己真正感兴趣、乐意做的事情，再探求干系机会，而不是反过来。AI 人才供不应求的现状给你供应了机会。花一些韶光按上述做法定期更新资料能够使你对自己有一个全面的认知，帮助你及早确定方向。此外，你无需对口试中可能被问的不同问题准备答案。大部分答案在你评论辩论自己真正热爱的事情时会自然而然地涌现。
3. 人际关系网
完成 a 和 b 之后，人际关系网将真正帮助你达到目的。如果你反面别人沟通，那么你可能错过很多好机会。每天联系新的人是很主要的，如果不能面见，那就在领英上沟通，这样过些时候，你就拥有了强大的大型人际网络。
人际关系不是联系别人为你写推举信。我最初常常犯这个缺点，直到读了 Mark Meloon《Climbing the Relationship Ladder to Get a Data Science Job》一文，他在这篇文章中评论辩论了通过率先供应帮助来构建真实联系的主要性。构建人际关系过程中另一个主要的步骤是展示自己。比如，如果你善于某事，在博客中写出来，然后在 Facebook 和 LinkedIn 上分享这篇博客。这样不仅能够帮助到别人，还能帮助到自己。
一旦你拥有了足够强大的人际关系网，那么你被人看到的几率将大大提升。你不会知道你关系网中的一个人是否喜好、如何评价你的博客，这或容许以帮助你打仗到更广泛的受众，包括探求像你这样具备某方面专业知识的人才。
二、可以申请的企业及初创公司名单
我将按字母顺序呈现该列表，避免带来优先性方面的误解。但是，我会在我个人推举的那些公司上面加上。本推举列表基于以下成分：义务陈述、职员、人际互动、学习范围。多于一个的是完备基于第 2 和第 3 个成分而加的。
Adobe ResearchAllinCall（由印度理工学院孟买分校校友会创建）AmazonArya.aiFacebook AI Research: AI Residency ProgramFractal Analytics（以及 Cuddle.ai、Qure.ai）谷歌（Brain/DeepMind/X）：AI Residency Program高盛Haptik.aiHyperVerge——由印度理工学院马德拉斯分校校友会创建，他们正在与天下各地的客户互助，为现实问题开拓人工智能办理方案，创始人包括在该校创立著名打算机视觉小组的人IBM ResearchIntel AI labs（强化学习）Jasmine.ai——由在密歇根大学得到博士学位的印度理工学院马德拉斯分校校友会创办，他们致力于会话智能研究。而且他们的资金很充足。他们正在探求能尽快加入班加罗尔办事处的人：https://docsend.com/view/xff9hwr摩根大通；Microsoft Research：印度实验室 1 到 2 年研究员职位，AI Residency ProgramMuSigmaNext Educationniki.aiNiramai：由之前在施乐研究公司的员工组成，致力于利用热成像技能进行乳腺癌早期筛查OlaOpenAIPathAIPredible HealthQualcommSalesForceSamsung ResearchSigTupleSuki：为年夜夫设计的 AI 语音助手。近期，它筹集到大量资金，可能很快会在印度开设办事处Swayatt Robotics：开拓适应印度交通条件的自动驾驶汽车Wadhwani AI：由亿万财主 Romesh Wadhwani 和 Sunil Wadhwani 帮助，他们的目标是成为 AI 领域的第一个社会公益组织Uber AI Labs & Advanced Technologies Group：AI Residency ProgramUmbo CV：利用打算机视觉的安全性Uncanny VisionZendrive三、 如何赢得口试
从你走进房间的那一刻起，口试就已经开始了。从那一刻到进行自我介绍之前可能会发生很多事——你的肢体措辞及微笑问候起着很大的浸染，尤其是当你去一家初创公司口试时，他们非常关心这一点。你要知道，只管对付你来说口试官是陌生人，但对付他/她来说你也是陌生人。以是他们可能和你一样紧张。
把口试看作是你和口试官之间的对话，这点非常主要。你们俩都在探求对双方都有利的结果（mutual fit）——你在探求一个精良的事情场所，而口试官在探求一个精良的共事者。以是，确保你对自己觉得良好，同时担保对话的开场令人愉悦。要做到这一点，最大略的方法便是微笑。
口试紧张有两种类型——一种是口试官带着准备好的问题来口试，不管你的个人资料如何，他/她都会问你这些问题；另一种口试基于你的简历。我从第二种口试开始阐明。
第二种口试的开场白常日是“可以大略先容下自己吗”。关于这个问题的回答有两个大忌——评论辩论你在大学的 GPA 或详细先容自己的项目。空想的回答该当掌握在一两分钟旁边，简要解释你做过些什么，内容并不局限于学术。可以谈谈你的爱好，比如读书、运动、冥想等，也便是评论辩论任何有助于定义你的东西。然后口试官会把你在自我介绍里谈到的一些东西作为他下一个问题的引子，开启口试的技能部分。这种口试的目的是为了考验你写在简历上的内容是否真实：
任何一个真正办理了某个问题的人都能够从多个层面来回答它。他们能够进入黄铜轨道，不然就会卡住——Elon Musk
这个过程中会涌现很多问题，比如可以采纳什么不同的做法，是否可以用「X」代替「Y」，会发生什么情形等。此时，理解在实现过程中常日做出的权衡很主要，例如，如果口试官说利用更繁芜的模型会取得更好的结果，那么你可以说实际上须要处理的数据较少，这会导致过拟合。在一次口试中，口试官给了我一个案例研究，涉及为一个真实用例设打算法。我把稳到，口试官非常喜好我以下面的流程来展开谈论：
问题 > 1 至 2 个之前的办理方案 > 我的办理方案 > 结果 > 直觉
另一种口试实在只是为了测试你的基本知识。不要担心问题太难。但它们肯定会涉及你该当节制的所有基本知识，紧张基于线性代数、概率、统计、优化、机器学习和/或深度学习。「你须要准备的背景知识」一节中提到的资源该当够用了，但请确保不要遗漏个中的任何一点。这里的关键是你回答这些问题所花的韶光。由于它们涵盖了根本知识，以是口试官希望你最好能够立即作答。以是，请做好相应的准备。
在全体过程中，对你知道和不知道的事保持自傲和老实是很主要的一点。如果某个问题你确定不知道，直接说不知道，而不是发出“啊”“嗯”的声音。如果某个观点真的很主要，但你以为很难回答，口试官常日会很乐意给你提示或辅导你找到精确的办理方案（这取决于你在口试开始阶段表现如何）。精确理解口试官的提示并据此找到得当的办理方案是一个很大的加分项。只管即便不要紧张，避免紧张的最佳方法便是微笑。
现在我们来到口试结尾，即口试者问你是否有什么问题。人们很随意马虎认为口试结束了，并回答没有问题要问。我知道很多人被谢绝，便是由于这末了一个问题。如前所述，被口试者不但你自己。你也在探索你与这家公司双方是否都适宜。因此很明显，如果你真的想加入一家公司，你肯定对公司文化或他们对你的期望角色等有疑问，乃至只是大略地对口试者感到好奇。你总是能从身边的事物中学习到东西，你要确保给口试者留下你对他们团队真的感兴趣的印象。我对口试者提出的问题是他们对我的反馈。这给了我很大帮助，我仍旧记得每一个反馈，并真的融入到日常生活中。
以上。基于我的履历，如果你坦诚、具备相应能力、真正关心口试的公司，并具备得当的思维模式，那么你该当适宜所有哀求，很快拿到 offer。
四、我们该当为什么而努力事情
我们处于一个充满机会的时期，可以做自己喜好的事情。你只须要努力成为该领域最精良的人，就会找到一种实现它的方法。正如 Gary Vaynerchuk 所说：
对 AI 研究来说，这是一个伟大的时期。如果你真的对此充满激情，那么你可以做的事情有很多很多。你可以授予那些被忽略的人力量。我们一贯抱怨身边的问题，而从来没有一个时期像现在这样普通人也可以做为此做些什么，而不是仅仅抱怨。Jeffrey Hammerbacher 有一句名言：
我们这一代最精彩的头脑都在冒死思考如何吸引人点击广告。
利用 AI 能做的事情远超我们的想象。有很多非常棘手的问题，须要像你这样极其聪明的人来办理。你可以让很多人的生活变得更美好。是时候放弃「酷」的事情，或「看起来不错」的事情了，负责思考，做出明智的选择。
五、你须要准备的背景知识
所有数据科学口试中会涌现的问题基本上都包含在四个大类中：打算机科学、数学、统计学和机器学习。
打算机科学：
算法和数据构造InterviewBitNPTEL IIT Delhi 的课程操作系统：
https://medium.com/the-aspiring-programmer-journal/the-10-operating-system-concepts-software-developers-need-to-remember-480d0734d710《Operating System Concepts》的三、四、五、七章 GeekForGeeks 上的操作系统：面向工具编程：你会被问及如何设计一个别系，例如一个铁路售票系统。此时你须要和口试者谈论他们的需求，须要创建多少个类，每个类包含哪些变量与方法，如何利用继续（如 Engineer 和 Scientist 类都是 Employee 类派生的）等等。这些知识来源于实践。你可以在这里找到一些基本术语的阐明：https://medium.com/dot-net-tutorial/oops-interview-questions-with-answers-for-freshers-b2a568ed364b数学和统计
如果你不理解深度学习背后的数学知识，你要找一些学习资源。
参考内容
谷歌与 MIT 携手巨著：《打算机科学的数学》开放下载从入门到高阶，读懂机器学习须要哪些数学知识（附网盘）这是一份文科生都能看懂的线性代数简介当然，Ian Goodfellow 等人的《深度学习》中第二、三和四章的数学已经足以应对口试中这类理论问题了。如果你没有韶光，我也对个中的一些章节观点进行了总结；
机器学习
在这里，问题的种类完备取决于你口试的岗位。如果你碰着了传统型的机器学习口试。那么有关机器学习的根本知识就必不可少，下面的一些课程可能对你有所帮助：
吴恩达的 CS229 课程： http://cs229.stanford.edu/
加州理工教授 Yaser Abu-Mostafa 的机器学习课程：https://work.caltech.edu/telecourse.html
主要的话题包括：监督学习（分类、回归、支持向量机、决策树、随机森林、逻辑回归、多层感知机、参数估计、贝叶斯决策规则），无监督学习（K-means 聚类、高斯稠浊模型），降维（PCA）。
如果你申请的职位更加高等，那很可能会被问到有关深度学习的问题。在这种情形下，你须要非常理解卷积神经网络（CNN）和循环神经网络（RNN）及其变体。想要明白这些，你须要对深度学习的根本知识有所理解，CNN/RNN 是如何事情的，目前存在哪些架构，以及这些架构改进背后的动机都是什么。在这一方面，我们没有捷径——必须花韶光理解它们。对付 CNN，我推举斯坦福大学的 CS231N 课程，RNN 推举 CS224N 课程。
Hugo Larochelle 的神经网络课程也很故意思，适宜快速上手；
走出校门后，你的职业生涯将是一个自我实现的漫上进程。希望这篇文章能给你带来一些启示，并帮助你以更好的办法为下一次数据科学口试做好准备。
原文作者：Aman Dalmia
原文选自：Medium
编译：机器之心
译文地址：微信"大众号“机器之心”（ID：almosthuman2014）
本文由 @机器之心 授权发布于大家都是产品经理，未经作者容许，禁止转载。
题图来自 Pixabay，基于 CC0 协议