在过去的八个月中，我接受了许多公司的采访-Google的DeepMind，Wadhwani AI研究所，Microsoft，Ola，Fractal Analytics等公司-主要担任数据科学家，软件工程师和研究工程师的职位。 在此过程中，我不仅有机会与很多才华横溢的人交谈，而且还让我重新认识了自己，了解了雇主在与应聘者交谈时想听些什么。 我想如果我以前有这些信息，我本可以避免很多错误，并为面试做更好的准备。 这就是撰写本文的动力-也许它将帮助某人获得理想的工作。
最后，如果您要花费三分之二（如果不是更多的话）的时间在工作上，那应该是值得的。
这篇文章的想法是在与一位大三学生的对话中浮现出来的，当时大学现在没有为AI领域的专家提供真正有趣的职位空缺。 此外，在准备过程中，我开始注意到人们通常会吸引非常广泛的资源，尽管事实证明，对于大多数帖子来说，您可以通过一小部分来解决问题（我将在帖子末尾给出）。 首先，我将告诉您如何获得关注（您可以得到采访邀请），然后列出可以尝试碰运气的公司和创业公司，然后描述如何给采访留下深刻的印象。 在下一节中，根据我自己的经验，我将讨论应该为哪些公司而努力，最后，我将得出结论，并提供最少的准备工作资源清单。
注意：我想为希望在大学工作的人讨论两件事。 首先，关于找工作，实际上我在这里所说的一切（也许除了最后一部分）都与您的情况无关。 但是，这是我要强调的第二件事，正如已经提到的，大学主要将人们带到开发人员的职位，而又与AI领域没有交集。 因此，本文专门针对那些希望使用AI技术并在他们的帮助下解决有趣问题的人而设计。 还应该补充一点，并不是所有的面试对我来说都是成功的，但是，很可能这就是失败的全部原因-最好向他们学习！ 也许并非我带给您的所有提示都对您有用，但我本人就是以此方式行事的-现在您不知道可以采取什么其他措施来更好地展现自己。如何引起注意：面试邀请
老实说，这一步是最重要的。 正是因为招聘人员必须从大量申请中选择并阅读您的简历，所以很难在大学之外寻找工作。 可以通过推荐您的公司中的联系人来认真简化此事务。 在最一般的情况下，任务可以分为三个主要步骤：
定期进行训练，不遗余力。 我
所说的定期行动是指在
GitHub和
LinkedIn上维护帐户，维护包含投资组合的网站，并不断更新简历。 首先，您的简历应该简洁明了。 遵循Udacity的指南
Resume Revamp ，使它看起来更整洁。 它包含了我要说的所有内容-我本人就根据他们的建议。 如果需要模板，
Overleaf会提供一些不错的现成格式。 就个人而言，我使用
的是履历表 。 看起来是这样的：
如您所见，一页可以容纳很多内容。 但是，如果您仍然没有足够的空间，那么我上面提到的原始格式将不适合您。 最好
在此处使用经过特殊修改的同一模板的多页版本。
下一个要讨论的重要点是您的GitHub帐户。 许多人低估了该网站的潜力，原因仅在于与LinkedIn不同，您无法找出谁浏览了您的页面。 但是实际上，人们已经完全登录到您的帐户-这是检查简历上写的内容是否真实的唯一方法：毕竟，现在习惯上插入各种
流行语和其他白噪声。 特别是在数据科学领域，开源发挥了特别重要的作用-大多数工具，各种算法的实现以及对学习有用的资源的列表都在公共领域提供。 我在另
一篇文章中谈到了开源为开发人员提供的好处。
这是您需要做的最少工作：
- 如果您还没有帐户，请创建一个
- 为您参与的每个项目创建一个存储库。
- 添加有关如何使用代码的清晰说明的文档
- 添加每个文件的文档，其中提及所有功能的作用，所有参数的值，正确的格式（例如，用于Python的PEP8 ），此外，还提供了一个脚本，该脚本可让您自动运行它。
我们继续进行第三步，很多人都错过了第三步-为投资组合创建一个网站，开发人员可以在其中展示他的技能和个人项目。 网站的存在表明您认真地打算进入这一领域，并表示您是值得信任的人。 另外，在简历中，您的文本量有限，因此您必须发布很多细节。 如果愿意，您可以使用投资组合显示所有内容。 强烈建议您为项目/构想提供某种形式的可视化或视觉演示。
为了使站点变得比以往任何时候都更容易-现在有许多
免费平台 ，该过程非常轻松，并且可以拖放到现成的元素上。 我个人使用过非常流行的工具
Weebly 。 以某种样本为起点并没有什么害处。 现在有足够的智能站点，但是我决定在
Deshraj Yadav的
个人页面上放置它，将其作为我工作的核心。
最后，许多招聘人员和雇主最近开始使用LinkedIn作为寻找员工的主要平台。 有很多不错的工作。 资源上的活动不仅由招聘人员显示，而且由高职位的人员显示。 如果您设法引起他们的注意，则进入公司的机会将大大增加。 此外，您需要保持帐户井井有条，然后人们才会有动力与您联系。 搜索引擎是LinkedIn的重要组成部分，为了在搜索结果中显示，您需要在个人资料中包括
相关关键字 。 经过大量的尝试和调整，我终于获得了可接受的结果。 此外，绝对值得要求您的前同事或老板确认您的技能并提出建议，以告诉您与您合作的经验。 所有这些都可以在您被注意的情况下发挥作用。 在这里，我将再次参考Udacity及其LinkedIn和Github
指南 。
似乎我要求太多了，但请不要忘记：您无需在一天，一周甚至一个月内完成所有这一切。 这是一个持续的过程；它永远不会结束。 首先，您将需要投入大量精力来妥善安排所有事情，但是，考虑到最新事件，定期更新帐户，不仅会习惯于轻松地进行操作，而且还可以随时随地告诉自己，而无需任何准备工作-太好了您将了解自己。
忠于自己。 我经常看到适应空缺要求的人。 我认为，最好先确定您对什么感兴趣和想要做什么，然后再寻找相关的空缺，而不是相反。 现在，对AI专家的需求超过了供应，因此您就有了这样的机会。 由于在上述定期培训中投入了时间，您将对自己有更全面的了解，并且可以更轻松地做出决定。 此外，您不必针对访谈中提出的个人问题获得答案。 大多数答案将自己产生-就像对一个对您无动于衷的话题的推理一样。
联网。 现在您已经完成了从第一点到第二步的所有工作，联网将帮助您实现目标。 如果您不与人沟通，您将永远不会听到许多可以应付的机会。 每天建立新的联系非常重要，如果不是面对面的话，那么就可以在LinkedIn上建立联系，以便从长远来看，您将拥有一个广泛而强大的约会网络。 网络并不能归结为与他人交流并要求您向您的雇主推荐您。 在搜索之初，我经常会犯这个错误，直到最终我遇到了
Mark Melun的精彩
文章 ，其中谈到了与人建立牢固联系的重要性，首先要提供帮助。
联网的另一个重要步骤是将内容公开显示。 例如，如果某件事情适合您，请写一篇有关它的文章，然后将链接放在Facebook和LinkedIn上。 这将对其他人和您有用。 广泛的联系网络使您可以吸引更多人的注意。 您永远无法预测喜欢或评论您的文章的人中的哪一个会帮助您吸引更多人，其中可能有人正在寻找具有您的技能的人。
您可以发送简历的公司和初创公司列表
我以字母顺序构建列表，以免造成任何特殊偏好的错误印象。 尽管如此，我仍然在星号上标出了我个人可以推荐的那些。 这些建议基于以下内容：任务描述，团队，个人交流经验和发展机会。 如果有几颗恒星，这是由于第二和第三个参数。
- Adobe研究
- * AllinCall-（由孟买印度理工学院的毕业生创立）
- *亚马逊
- Arya.ai
- * Element.ai
- * Facebook AI研究： AI驻留计划
- *分形分析（及子公司：Cuddle.ai，** Qure.ai）
- ** Google（Brain / DeepMind / X）： 人工智能居住计划
- 高盛
- Haptik.ai
- ** HyperVerge-由印度技术学院Madras的一名毕业生创立，他正与来自世界各地的客户一起为现实世界的问题提供AI解决方案。 创始人还包括那些在同一研究所组成著名的计算机视觉小组的人。
- IBM研究
- *英特尔AI实验室（强化培训）
- ** Jasmine.ai-由印度技术学院Madras的毕业生创立，他也获得了密歇根大学的学位。 该团队正在研究对话式人工智能。 有了融资，他们也井井有条。 现在迫切需要人们在班加罗尔分支。
- 摩根大通
- * Microsoft Research：在印度实验室或AI Residency计划中获得一两年的奖学金
- MuSigma
- 下次教育
- niki.ai
- * Niramai-该团队曾经是Xerox Research的一部分，现在致力于使用热成像技术在早期阶段检测乳腺癌。
- 奥拉
- * OpenAI
- * PathAI
- 身体健康
- 高通公司
- * SalesForce
- 三星研究
- * SigTuple
- * Suki是医生的基于AI的语音助手。 最近，它也吸引了大量投资，并可能很快在印度开设分支机构。
- * Swayatt Robotics-在印度从事无人驾驶汽车的工作。
- ** Wadhwani AI-由亿万富翁Romesh Wadhwani和Sunil Wadhwani创立，他们设定了自己的目标，即创建第一个致力于使用AI技术实现公益的组织。
- * Uber AI实验室和先进技术小组： AI驻留计划
- * Umbo CV-计算机安全愿景
- 异想天开
- Zendrive
注意：此处仅列出我所了解的公司。 如果您知道更多，请告诉我，我将添加到列表中。其他 一些 清单如何通过才华横溢的面试
采访恰好在您进入办公室的那一刻开始，在这一刻和邀请您讲述自己之间可能会发生很多事情。 肢体语言以及是否问候时微笑是至关重要的。 对于初创公司尤其如此，他们非常仔细地考虑候选人是否适合团队的文化。 您需要了解：即使进行面试的人对您完全不熟悉，但是您对他也不熟悉。 所以他可能和你一样紧张。
将采访作为您与公司代表之间的对话非常重要。 你们俩都在寻找合适的选择：您正在寻找一个凉爽的工作场所，而他正在寻找一个可以与团队一起工作的凉爽的专家（像您一样）。 因此，要使自己充满自信，并有责任使对话的第一刻让对话者感到愉快。 在我所知道的所有方式中，最简单的就是微笑。
访谈大部分分为两种类型。 第一个假设是，面试官将提供现成的问题清单并继续进行，无论您的档案中有什么。 另一种面试是基于您的简历。 我将从第二个开始。
此类采访通常以以下问题开头：“您能告诉我们您自己吗？” 在这里，您绝对不能做两件事：谈论您的大学证书，然后开始详细谈论您的项目。 理想情况下，您的独白应该持续一两分钟，对您到目前为止所做的事情有一个大致的了解，而不是局限于一项研究。 在这里，您还可以简单地说出您的爱好-阅读，运动，冥想-一切将帮助您更好地理解自己的爱好。 然后，面试官将根据您所说的内容提出下一个问题，然后转到技术部分。 面试的目的是检查您是否在简历中写了真相。
真正解决问题的人将能够从不同的角度阐明问题。 他将能够指出要点-否则他将无法完成工作。 -伊隆·马斯克（Elon Musk）
关于在您的项目中可能实施了哪些不同的项目，如果您没有使用X，而是使用U，将会发生什么，将会有很多问题。在这里，重要的是要知道在实施时通常要权衡取舍。 例如，如果公司代表说您应该使用其他工具以获得更准确的结果，则可以告诉他您使用的数据量很少，这将导致重新培训。 在其中的一次采访中，他们给了我一个需要解决的案例，尤其是为实际情况设计一种算法。 我注意到，当他们给我关于该项目的故事开绿灯时，最好坚持一个访问者非常喜欢的方案：
问题> 1-2现有方法>我们的方法>结果>结论
另一种面试旨在测试您的知识。 您不应期望遇到特别棘手的问题，但是请确保它们涵盖了您应该熟悉的所有基本领域：线性代数，概率论，统计学，优化，机器学习和深度学习。 本文末尾列出的资源应该足够，但必须阅读所有这些资源。 这里的问题是您要花多长时间才能回答。 由于这些是最基本的内容，因此您会立即收到反应。 因此，准备工作应适当。
回答问题时，如果您不了解某些内容，就应该放心而诚实。 如果您对不知道哪个有疑问，请说出来，而不是发出“ eeee”和“ mmmm”之类的声音。 如果我们在谈论某种关键概念，而您却无所适从，通常，受访者将很乐意告诉您或指导您采取必要的思路。 如果您可以利用此优势并做出正确的决定，那么这将对您有利。 尽量不要紧张-微笑也可以有所帮助。
我们正在接近面试的最后一部分。 此时，系统将询问您是否有任何问题。 在这里，您很容易屈服于一切都已经结束的想法，只需回答您没有问题即可。 我知道很多人仅在最后阶段就因为这个错误而被淘汰。 正如我已经说过的，不仅您在面试中得到了评价。 这是一个共同的过程：您自己也可以查看公司是否适合您。 因此，很明显，如果您真的想加入团队，您会遇到很多问题-有关工作文化，关于他们为您扮演的角色。 也许您只是对被采访者的行为感到好奇。 您总可以了解到一些事情，因此，请让受访者感到您真的有兴趣加入他们的行列。 我在所有面试中都开始问的最后一个问题是反馈-他们会建议我做什么。 这对我有很大帮助，我仍然记得他们给了我什么建议，并且我试图牢记他们的日常生活。
仅此而已。 以我的经验，如果您诚实地说服自己，对公司表现出浓厚的兴趣，并表现出正确的态度，那么您很可能会满足所有要求，并有权很快收到一封祝贺信。
公司需要努力争取什么？
我们生活在机会时代，这适用于您喜欢做的事情。 只要努力成为您所在领域的佼佼者，您迟早就会找到一种方法来利用您的技能获利。 正如
Gary Vaynerchuk所说的（已经订阅）：“足够同意您的各种想法。”
, , - , , . , , , , - , . Jeffrey Hammerbacher ( Cloudera):
« , . ».
, . , . . , «» « ». .
,
data science : , , .
计算机科学- . , , , . , , , , (, ). .
.
,
, . , , 2, 3 4
Deep Learning Book , .
, , — . , . — .
, . , , :
- Machine Learning Andrew Ng — CS 229
- Machine Learning Caltech Professor Yaser Abu-Mostafa
— (, , , , random forests, , , , ), ( k-, ), ( ).
, , , . / ( , ) . , , , . . , , . CS 231N, — CS 224N.
Neural Network Hugo Larochelle . ,
. Udacity
. , , Udacity — , . , , . .
结论
— . , , - . , - data science. , , , « ».