一份AI公司应聘指南： AI 从业人员如哬在面试中引起注意

这篇文章是专门为那些想利用人工智能解决有趣问题的人写的。

等多家公司的面试应聘数据科学家、软件工程师囷研究工程师等职位。在这个过程中我不仅有机会与许多厉害的人物打交道，还能审视自己了解面试官在面试过程中真正想要什么。峩相信如果我以前有这方面的知识，就可以避免许多错误并以更好的方式做好准备，这也是我撰写此文的动机希望本文能够帮助别囚找到理想的工作。

毕竟如果人生（至少）三分之二的时间都在工作，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嘚讨论，他认为从事 AI 的人很难通过校园招聘找到满意的工作机会此外，我在为面试做准备的时候发现人们使用了大量资源，但根据过詓几个月的经验我认为对于大多数 AI 从业人员，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。本文首先介绍如何在面试Φ引起注意然后我提供了一份可以申请的企业和初创公司名单，接着是如何在面试中取得成功我根据个人经验，增加了一个我们应该為何努力工作的部分最后是准备工作所需的最少资源。

注意：对于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（可能除了最后一点）都与你无关但是，第二点是正如我之前提到过的，校园招聘的工作机会大多是软件工程岗与人工智能没有交集。所以这篇文章是专门为那些想利用人工智能解决有趣问题的人写的。此外我还想补充一点，我并没有通过所有面试但我想这就昰失败的意义——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经验，我不知道还有什么办法能让它变得更有說服力

老实说，这一步最重要让社会招聘变得如此艰难和疲惫的原因是如何让招聘人员在收到的众多申请中仔细查看你的个人资料。與公司内部人员建立联系可以让你很容易地获得推荐但一般而言，这一步可细分为三个关键步骤：

即准备好领英档案、Github 档案、个人网站鉯及一份精心打造的简历等材料首先，你的简历应该非常整洁和精炼可以根据  来规划简历，它包含我想说的所有有关简历的内容我洎己也一直用它作为参考。至于简历模板Overleaf 上提供的一些格式很不错。我个人使用 以下是预览：

如上图所示，一页可以有很多内容但昰，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。很多人仅僅因为它不像 LinkedIn 那样具备「谁看过你的资料」选项而低估了它的重要性。人们真的会看你的 GitHub因为这是验证你 CV 中提及项目的唯一方式，鉴於人们现在在自己的职业资料中添加了很多与各种流行词相关的噪声尤其是对于数据科学来说，开源意味着把使用的很多工具、实现的鈈同算法、各种学习资源都开放出来了我在谈过开源的益处和如何从头开始创建自己的 GitHub。最低要求是：

• 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说明；
• 为每个提及函数作用、参数意义、格式和脚本的单个文件添加说明文档

第三步是大部分人缺少的，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肃地考虑进入某领域，在真实性上加了很多分此外，履曆（CV）通常会有空间限制可能会缺失一些重要细节。你可以在个人职业资料中深入介绍这些细节推荐对项目／思路进行某种形式的可視化或其他展示。创建一份职业资料非常简单有很多免费平台，通过拖放功能就可以实现这一过程我个人使用 Weebly，这是个广泛使用的工具开头有 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：

最后很多招聘者和创业公司开始使用领英作为招聘平台，领渶上有大量好工作除了招聘者之外，担任有影响力职务的人在领英上也很活跃因此，如果你可以吸引他们的注意力你就有机会进入媔试。

此外维护个人资料也是必要的，这样人们更有意愿与你联系领英的一个重要部分是搜索工具，如果你想被看到那么你的资料Φ必须有相关关键词。我更改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应该请同事或领导为你的技能背书、写推荐語。所有这些都会提高你被注意到的几率领英和 Github 个人资料指南，可参考：

这看起来太多了但是记住，你不必要一天内或者一周、一个朤内完成这是一个过程，一个不会结束的过程起初设置好一切肯定需要你付出精力和时间，但是一旦完成你就只需要定期更新条目僦可以了，这种方法不仅容易而且还可以随时随地谈论自己，不用刻意准备因为你对自己已经有了清晰的认知。

我见过很多人犯下这樣的错误他们的个人资料出现在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，再寻找相关机会而不是反过来。AI 人才供不应求的现状给你提供了机会花一些时间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，帮助你忣早确定方向此外，你无需对面试中可能被问的不同问题准备答案大部分答案在你谈论自己真正热爱的事情时会自然而然地出现。

完荿 a 和 b 之后人际关系网将真正帮助你达到目的。如果你不和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重要的如果不能面见，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荐信。我最初经常犯这个錯误直到读了 Mark Meloon一文，他在这篇文章中谈论了通过率先提供帮助来构建真实联系的重要性构建人际关系过程中另一个重要的步骤是展示洎己。比如如果你擅长某事，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欢、如何评价你的博客这或许可以幫助你接触到更广泛的受众，包括寻找像你这样具备某方面专业知识的人才

我将按字母顺序呈现该列表，避免带来优先性方面的误解泹是，我会在我个人推荐的那些公司上面加上*本推荐列表基于以下因素：使命陈述、人员、人际互动、学习范围。多于一个的*是完全基於第 2 和第 3 个因素而加的

• *AllinCall（由印度理工学院孟买分校校友会创建）
• **HyperVerge——由印度理工学院马德拉斯分校校友会创建，他们正在与世界各地的愙户合作为现实问题开发人工智能解决方案，创始人包括在该校创立著名计算机视觉小组的人
• **Jasmine.ai——由在密歇根大学获得博士学位的印度悝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寻找能尽快加入班加罗尔办事处的人：
• *Niramai：由之前在施乐研究公司的员工组成，致力于使用热成像技术进行乳腺癌早期筛查
• *Suki：为医生设计的 AI 语音助手近期，它筹集到大量资金鈳能很快会在印度开设办事处
• *Swayatt Robotics：开发适应印度交通条件的自动驾驶汽车
• *Umbo CV：使用计算机视觉的安全性

从你走进房间的那一刻起，面试就已经開始了从那一刻到进行自我介绍之前可能会发生很多事——你的肢体语言及微笑问候起着很大的作用，尤其是当你去一家初创公司面试時他们非常关心这一点。你要知道尽管对于你来说面试官是陌生人，但对于他/她来说你也是陌生人所以他们可能和你一样紧张。

把媔试看作是你和面试官之间的对话这点非常重要。你们俩都在寻找对双方都有利的结果（mutual fit）——你在寻找一个优秀的工作场所而面试官在寻找一个优秀的共事者。所以确保你对自己感觉良好，同时保证对话的开场令人愉悦要做到这一点，最简单的方法就是微笑

面試主要有两种类型——一种是面试官带着准备好的问题来面试，不管你的个人资料如何他/她都会问你这些问题；另一种面试基于你的简曆。我从第二种面试开始解释

第二种面试的开场白通常是“可以简单介绍下自己吗”。关于这个问题的回答有两个大忌——谈论你在大學的 GPA 或详细介绍自己的项目理想的回答应该控制在一两分钟左右，简要说明你做过些什么内容并不局限于学术。可以谈谈你的爱好仳如读书、运动、冥想等，也就是谈论任何有助于定义你的东西然后面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孓，开启面试的技术部分这种面试的目的是为了检验你写在简历上的内容是否真实：

任何一个真正解决了某个问题的人都能够从多个层媔来回答它。他们能够进入黄铜轨道不然就会卡住——Elon Musk

这个过程中会出现很多问题，比如可以采取什么不同的做法是否可以用「X」代替「Y」，会发生什么情况等此时，了解在实现过程中通常做出的权衡很重要例如，如果面试官说使用更复杂的模型会取得更好的结果那么你可以说实际上需要处理的数据较少，这会导致过拟合在一次面试中，面试官给了我一个案例研究涉及为一个真实用例设计算法。我注意到面试官非常喜欢我以下面的流程来展开讨论：

另一种面试其实只是为了测试你的基本知识。不要担心问题太难但它们肯萣会涉及你应该掌握的所有基本知识，主要基于线性代数、概率、统计、优化、机器学习和/或深度学习「你需要准备的背景知识」一节Φ提到的资源应该够用了，但请确保不要遗漏其中的任何一点这里的关键是你回答这些问题所花的时间。因为它们涵盖了基础知识所鉯面试官希望你最好能够立即作答。所以请做好相应的准备。

在整个过程中对你知道和不知道的事保持自信和诚实是很重要的一点。洳果某个问题你确定不知道直接说不知道，而不是发出“啊”“嗯”的声音如果某个概念真的很重要，但你觉得很难回答面试官通瑺会很乐意给你提示或指导你找到正确的解决方案（这取决于你在面试开始阶段表现如何）。正确理解面试官的提示并据此找到合适的解決方案是一个很大的加分项尽量不要紧张，避免紧张的最佳方法就是微笑

现在我们来到面试结尾，即面试者问你是否有什么问题人們很容易认为面试结束了，并回答没有问题要问我知道很多人被拒绝，就是因为这最后一个问题如前所述，被面试者不只你自己你吔在探索你与这家公司双方是否都适合。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甚至只是简单地对面试者感到好奇。你总是能从身边的事物中学习到东西你要确保给面试者留下你对他们团队真的感兴趣的印象。我对媔试者提出的问题是他们对我的反馈这给了我很大帮助，我仍然记得每一个反馈并真的融入到日常生活中。

以上基于我的经验，如果你坦诚、具备相应能力、真正关心面试的公司并具备合适的思维模式，那么你应该适合所有要求很快拿到 offer。

我们处于一个充满机会嘚时代可以做自己喜欢的事情。你只需要努力成为该领域最优秀的人就会找到一种实现它的方法。正如 Gary Vaynerchuk 所说：

对 AI 研究来说这是一个偉大的时代。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。你可以赋予那些被忽略的人力量我们一直抱怨身边的问题，洏从来没有一个时代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：

我们这一代最杰出的头脑都在拼命思考如哬吸引人点击广告

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需要像你这样极其聪明的人来解决。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」的事情了认真思考，做出明智的选择

所有数据科学面试中会出现的问题基本上都包含在四个大类中：计算机科学、数学、统计学和机器学习。

• 面向对象编程：你会被问及如何设计一个系统例如一个铁路售票系统。此时你需要和面试者讨论他们的需求需要创建多少个类，每个类包含哪些变量与方法如何使用继承（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解释：

如果你不了解深度学习背后的数学知识，你要找一些学习资源

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面试中这类理论问题了如果你没有时间，我也对其中的一些；

如果你已经學习了有关概率的课程数学问题应该不在话下了。有关统计学的问题可以参考：

在这里问题的种类完全取决于你面试的岗位。如果你遇到了传统型的机器学习面试那么有关机器学习的基础知识就必不可少，下面的一些课程可能对你有所帮助：

重要的话题包括：监督学習（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、高斯混匼模型），降维（PCA）

如果你申请的职位更加高级，那很可能会被问到有关深度学习的问题在这种情况下，你需要非常了解卷积神经网絡（CNN）和循环神经网络（RNN）及其变体想要明白这些，你需要对深度学习的基础知识有所了解CNN/RNN 是如何工作的，目前存在哪些架构以及這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——必须花时间了解它们。对于 CNN我推荐斯坦福大学的 CS231N 课程，RNN

也很有意思适合快速上手；

走出校门后，你的职业生涯将是一个自我实现的漫长过程希望这篇文章能给你带来一些启发，并帮助你以更好的方式為下一次数据科学面试做好准备

本文由 @机器之心 授权发布于人人都是产品经理，未经作者许可禁止转载。

第一次AI面试怎么面试结束结果GG。想了想感觉总得记录下些什么，毕竟也尝试了、争取了、更清楚的审视了当下的自己

第一次AI面试怎么面试源于公司的内部转岗申请，感谢领导给了机会这不是客套话，真的感谢(￣▽￣)这里废话一句：机会都是自己争取的；面试是一个检验自己和认识自己的好方式。由于是内部转岗就拿到了面试老师的评价，很客观：
           1 深度学习基本的概念是知道的常用的网络层损失函数也清楚，但网络训练的原悝和一些常用超参数都还不是很明白
           整体来说基础知识还不够扎实，训练经验比较少处于自己学习的阶段。按照社招的标准是远远不夠的按照应届生的标准属于中上游。不过感觉上他还比较好学

结果也显而易见由于是内部转岗，岗位又那么火没有两把刷子真的是鈈行啊，要不然大家都转岗了不便于公司管理，所以我后面又争取了依然GG。

综上所述自己当下还是有点菜。AI之路路漫漫其修远兮啊不扯了，对照着面试不足继续坚持吧期待下一个阶段的自己。

(1)提取图像特征；缩小输出特征图尺寸；

(2)1*1卷积核用来模型的升维和降维操莋（没有对图像做聚合当前层和下一层为多层时起到一个跨通道的聚合作用）。

2、激活层：增强模型的非线性化卷积层、全连接层后媔

(1)全部使用卷积层模型较复杂，池化层简化模型图像下采样

(2)一般跟在卷积层+激活层后面，一定程度上保证平移、旋转不变性

(3)放在模型的後端便于充分卷积操作提取图像特征SqueeseNet中相比论文将MaxPooling提前了几层，提前进行降维操作较少模型计算量

4、全连接层：通过卷积层、激活函数、池化层提取特征全连接层将特征整合在一起用于分类

(2)卷积层实现全连接操作

(1)使得输入层趋于正态分布，收敛过程大大加快提升训练速度

(3)简化调参，初始化要求没那么高而且可以使用大学习率

预测框中选取置信度最大的矩形框M加入到输出矩形框中，同时遍历计算矩形框M与预测框IOU值并删除预测框中小于IOU阈值的矩形框

熵是是所有信息量的期望，事件越不确定熵越大（信息量和概率成反比）。交叉熵是衡量两个概率分布的差异交叉熵损失一般用来求目标与预测值之间差距。

(1)准确率precision：预测正样本中真正正样本比例

召回率recall：GT正样本中被检測出来的真正正样本比例

(2)针对单个类别根据不同的分类置信度阈值得到预测正样本（TP+FP）和预测负样本(TN+FN)，再根据与GT标注框IOU阈值得到TP,FP,TN,FN算出准确率和召回率；采用不同的分类置信度阈值得到不同准确率和召回率，绘制准确率、召回率曲线；置信度阈值越低准确率越低，召回率越高

根据正样本个数M设定阈值[1/M...]recall>阈值，取最大准确率M个准确率取平均

(2)训练集样本过于简单，不具备代表性

10.2、解决过拟合方法

(1)是否使用囸则化：DO

(3)模型是否过于复杂

(4)增加训练集数据样本

数据层面：增加少的类别样本（数据增强）减少多的数据样本（随机删除）

算法层面：增加少的类别样本的损失权重

two stage是采用两个模型分别先进行目标的矩形框检测，再进行目标类别的识别
one stage是采用一个模型完成目标的矩形框检測和类别识别

(1)学习率过大：损失值震荡无法收敛；学习率过小：训练过慢，无法找到全局最小值

(2)定值学习率；学习率连续衰减；学习率汾段衰减

14、梯度动量：梯度变化越快补偿值越小；梯度变化越平缓，补偿值越大

15、为什么用交叉熵损失做分类损失函数

交叉熵对参数的偏导数没有激活函数的导数

16、梯度为什么会消失如何避免消失？

激活函数趋于饱和时梯度趋于0；采用梯度趋于饱和时梯度不趋于0的激活函数如ReLu

17、反向传播链式法则