本文经AI新媒体量子位（公家号ID:QbitAI）授权转载，转载请接洽出处。

做呆板进修工程师，凡是都要读过博。

即便没有写成岗亭的须要前提，也逐步酿成了天然纪律。

那自学成才的人类，要写奈何的项目经验，才气让口试官信托，本身也是有平等手段的呢？

一个叫做AdditionalWay的网友，在Reddit提出了这个直击魂灵的题目，激发了大量接头，两天热度已经高出500。

接头版上，有很多人提出了中肯的提议：

家产界必要的手艺

有位叫做po-handz的网友，他颁发的意见收成了80分的高拥护，占有了评述区的顶楼：

把本身的项目投入出产环节 (launch into production) ，就能逾越99%的应届生，也能逾越大部门在位的ML工程师了。

对此，有人 (moravak) 表达了墙裂拥护：

这个“大部门”，着实就是≥99.9%。

顶楼又增补说，许多人就算读到博士结业，也许也没有本身把一个项目做到出产环节的履历。

那么，奈何才算有这样的经验呢？

网友 (BernieFeynman) 简约地表明白一下：

搭些模子，不消很是很是锋利。但要让人能看到，模子在哪跑起来的样子，好比有个API可以挪用之类的。

虽然，做起来并不是一句话的事，顶楼具体描写了，一整个进程毕竟能有多灾：

好比，一样平常你不会只有一个模子，是有一组。以是，必要让这些大模子，加载在处事器的RAM上。还要接管新输入的数据。这些数据，要和测试数据的名目保持同等，还要scale，该怎么scale呢？推理要用GPU么？那样的话在AWS上每月也许要花1000刀，预算能支持么？时序数据怎么办呢？你必要一个持续更新的模子，还要一向跟踪调参。除此之外，你必要一个及时的、可维护的数据管道 (data pipeline) 。搞这个，比处理赏罚一个清楚干净的数据集要难多了。最后的最后，你还必要一整套UI，网站，nginx仓库，要做成用户友爱的样子。

别说是刚结业的博士，很多有履历的数据科学家也对这些对象一无所知，由于他们也许只在本身专业的规模里事变，都是别人把干净的数据集交到他们手上。

你假如在这点上打赢他们，对企业来说就有更高的代价了。

简历不要踩雷

实习适用手艺，只是一方面。

假如不想在简历筛选环节见光死，网友 (rudiXOR) 在一家“正在雇用ML工程师的中型企业”，总结了十大雷区，供各人参考：

第一，拿着一大堆MOOC证书。没用，我试过，quiz一起点下去谁都做获得。第二，对Kaggle后果过于孤高。很多大门生都介入过Kaggle角逐，他们也知道这种角逐和ML工程师的事变，根基没什么配合点。第三，去了3个月实习营，从PCA到LSTM，险些全部ML技能都修炼到了。真的没人信托。第四，GitHub项目都是只提交过一次代码的那种。基础看不出是不是本身做的。第五，GitHub主页是新的，一个项目都没有。第六，模子只在toy datasets上测试过，没有再严重点的项目了。第七，每种说话都说“能干”。好比C++、Python、Java、C#……第八，比较地位要求全心匹配了简历 (“Buzzword optimization for HR algorithms”) 。第九，没有证明本身的数学/统计学常识程度。第十，没有软件开拓的经验。

就算前九条你都忘了，也可以严重地参考第十条。网友在细数了雷区之后夸大：

假如你是自学的，不要一上来就投数据科学家，可能ML工程师。可以先申请数据说明师，可能软件工程师。假如是自学ML，又没有软件开拓的经验，我是不会请你的。

参考前文，假如没有读过博士，就要比博士多点家产界的履历才更有利。

One More Thing

不外，自学什么时辰都不晚。

好比，谷歌大脑的研究员David Ha，在投入呆板进修的器量之前，已经做到高盛的董事总司理 (MD) 了。

那么，列位也要加油啊。

Reddit接头版尚有更多提议：

https://www.reddit.com/r/MachineLearning/comments/c3e9qu/d_those_who_hireinterview_for_machine_learning/

（编辑：河北网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!