【AI就业面面观】如何选择适合自己的舞台?

校招季福利
《怎样成为一名优秀的算法工程师》
《机器学习算法地图》
《机器学习与深度学习核心知识点总结》
《AI时代大点兵--国内外知名AI公司2018年最新盘点》
《一句话总结常用的机器学习算法》

一年一度的校园招聘即将开始,各位学弟学妹们将面临继高考、读研/博之后的又一次重大的人生选择。第一份工作对于一个人职业生涯的一生都至关重要,如何选择适合自己的团队和岗位,做好自己的规划以达到目标?在今天的文章中,SIGAI将对AI方向的校招选择进行分析,供各位需要的同学参考。说明一下,在这里我们仅仅只针对企业类的工作,对公务员、事业单位之类的工作不做分析。 首先声明:对各个企业、团队的描述只是文章作者的观点,不代表SIGAI官方的立场和观点。

去一个什么样的企业?

应届生的第一份工作是形成工作习惯、思维方式的主要阶段。要知道,良好的工作方式和做事习惯、思考和解决问题的方式,对于一个人后续的职业发展至关重要,在起跑线上一定要占据优势。如果抛开具体的方向不谈,仅仅就公司的规模来进行考虑的话,应届生刚开始最好去一个做事靠谱、规模不太小的公司。

我们可以将企业分为初创型,小型,中型,大型这几种类型。这一划分既有规模上的考虑,也有成立时间的考量。

首先说初创型,一般指A轮融资之前或人数不超过50-100人左右的企业。这种公司蕴含着大的机会,一般处于高速发展期,但也面临着大量的不确定因素,风险非常高,很多创业公司都会在初期的几年内倒闭。因此对于职场新人来说,这种早期的公司一般是不合适的。另外,这样的公司在管理、培养等方面往往还不完善,加入之后,在职业素养的养成,规范的做事方式等方面将不利于你的提高,而且一般来说缺乏有经验的人来给你大量的指导,因为大家都忙于产品的研发和迭代,无太多精力顾及这些方面。

再来说小型和中型企业。二者之间没有明显的界限,我们将C轮融资之前、人数不超过200-300人的企业都归到这里,当然这个标准也不是绝对的。这种类型的企业也处于高速发展期,而且已经到达一定的规模,日常管理、团队建设、企业文化等方面开始逐步完善,并且对个人来说有比较好的发展空间。从这个规模开始的企业,是应届生可以考虑的。

最后说大型企业。这里指C轮及C轮融资之后的企业,已经IPO的企业当然也属于此类。这类企业规模大,成熟稳定,管理、文化、人才培养机制已经成型。另外,研发和技术实力也比较强,可以让你站在一个高的起点上。对于应届生养成良好的工作习惯和基本素养来说,这是很合适的。但去这类企业也有一个明显的问题,就是新人能施展的空间一般不大,上升的空间普遍有限。不过对于积累技术、经验,是很好的。

最后来说怎样衡量一个公司是否靠谱,其实主要看两个方面:公司所做的事情,做事的方式。你选择的公司,尽量是你从内心认可的,即你认同他们所做的事情和目标。另外,他们做事的方式也很重要。一般来说,应该去一个踏踏实实做产品、研究的公司。要知道,那种所谓的“PPT公司”、“忽悠公司”,管理和氛围糟糕的公司和团队也是不少的,你应该擦亮眼睛,避免踩坑。

选择什么方向?

人工智能目前的应用方向很多,如何选择适合自己的?一般来说,毕业后从事的方向和你研究生时的方向是一致的,但也有换方向的可能。下面我们列举一些典型的方向和公司供大家参考。

机器视觉

机器视觉是人工智能应用最广的方向,这一波深学习的浪潮也起始于在机器视觉领域的突破,人的日常信息超过80%是通过视觉获取的。同样的,AI领域的公司中,机器视觉类的公司也是最多的。在现阶段,机器视觉中被广为研究、产品化的典型方向有:

通用目标检测 行人检测 人脸检测 人脸识别 通用图像分类 光学字符识别(OCR) 各种图像处理算法,如分割、增强等 目标跟踪 3D视觉 医学图像分析 车牌识别

机器视觉领域的公司数量众多,是这一波AI创业浪潮中公司最多的方向,下面我只列出一部分典型的公司和团队:

语音识别与语音合成

语音识别和机器视觉同属感知类问题。相对来说,语音识别是人工智能里比较独立的一个方向,这方面的职位和公司要少一些,典型的是科大讯飞,思必驰。如果你之前不是研究这个方向的,建议你还是慎重考虑这个方向。

自然语言处理

自然语言处理的目标是理解人类的语言,典型的问题有:中文分析,词性标注,命名实体识别,文本分类,文本聚类,自动摘要,自动问答,机器翻译等。当前,这些功能都已经被产品化。在2012年人工智能此轮复兴之前,NLP就有大量的职位需求,不少互联网公司,尤其是大型互联网公司都有NLP的团队。这个方向典型的公司有:

数据挖掘

数据挖掘也是人工智能中非常广的一个方向,我们把数据分析、计算广告、推荐系统、知识图谱等都归到此类。客观来说,这是人工智能中离变现最近的方向,企业的需求量也很大。

搜索引擎、电商类的公司都需要做广告点击率预估,几乎所有用户量大的互联网公司都需要做推荐系统,几乎所有用户量大的互联网公司都要对用户行为等数据进行分析,因此现阶段对这些方向的人才需求很旺盛。典型的公司有:

智能硬件

智能硬件、智能家居、物联网等在这些年一直都比较火,也很贴近实际应用。当前应用最广的是智能视频分析,如监控,以及其他智能家居产品如智能温控器。机器视觉、语音识别、控制与策略、数据分析等算法在这个领域都有应用。智能硬件方向典型的公司有:

智能芯片

智能芯片是将人工智能算法如深度神经网络在芯片上实现并做优化,这是人工智能时代基础性的组件,类似于CPU对于PC时代的地位。当前有不少公司在做这个事情,典型的有:

这些公司也需要大量的算法人才,以确保芯片上运行的算法的精度、速度。在这里,需要对卷积神经网络、循环神经网络之类的算法和模型进行压缩、剪枝、优化。

自动驾驶

自动驾驶是这一波人工智能浪潮中炙手可热的方向,也是对人类未来的生活会产生深远影响的方向。各个公司都投入大量的人力物力去研发,如Google无人车,百度阿波罗计划。自动驾驶集成了人工智能里的多项技术,包括感知与定位、机器视觉、控制与决策、路径规划等,因此单独列出。典型的公司有:

机器人也是人工智能最重要、实际应用最广泛的方向之一。与自动驾驶类似,它也集成了人工智能各个方向的技术,包括机器视觉、语音识别与合成、感知、规划与控制等。这一领域的主要公司有:

去一个什么样的产品线和团队?

一般来说,尽量去核心而非边缘化的团队和产品线,或者是新一些的产品线。对于规模较大的公司,一般都很多产品线,它们之间差异非常大,你尽量选择去核心、重要的产品线,而不是边缘化的产品线。显然,重要的产品线公司会投入更多的资源,对你成长的机会也更好。新成立的产品线,一般也有比较大的发展空间,反之,那些成熟稳定、没有太多有新的工作要做的的产品线,虽然轻松,但却不利于你成长。

怎样做好自己的第一份规划?

你未来的职业规划是怎样的?如何达到这个目标?虽然听起来像是面试问题,但这确实是每个刚进入职业生涯的同学需要思考的。都已经毕业了,你不能再稀里糊涂的,而是对自己的未来要有清晰的规划,目标明确。这对所有人都是非常重要的。是走纯技术路线,还是技术+管理,或是管理?长期来看,要做什么方向?确定目标之后,如何达到这个目标?这都是你自己需要考虑清楚的问题,没有人能真正帮你来做。

科学的准备笔试和面试

校园招聘对候选人的考察主要在下面几个方面:

思维能力,包括学习能力,理解能力,分析和解决问题的能力。良好的学习能力,分析解决问题的能力,逻辑思维严密而灵活,思路清晰,这样的人是所有企业都欢迎的。这既可以通过所谓的智力题来考察,也可以通过一些专业领域的问题来考察。这是体现一个人的硬实力的地方。不过我们也是可以做出准备的,首先,对于常见的一些面试智力题,可以上网搜索,分析答案,如果因为这方面你没有准备到而被刷,那就太冤枉了。有些公司可能会出一些创新的题目,但绝大部分,只要你坐下来冷静分析思考,是可以给出正确答案的,至少你不应该放弃,要给面试官提供一个思路。对于专业领域里的一些问题,你也要有思考,例如,让你去优化一个算法的执行速度,你该怎么去做?

其次是专业领域的基础知识,如数学、机器学习、深度学习的知识。这需要你对这些知识有扎实的掌握和理解。经得起拷问。数学是机器学习、深度学习的基础,虽然笔试和面试时不会大量的考察数学题,但微积分、线性代数、概率论、最优化方法中常用的知识点还是要掌握。机器学习和深度学习中的任意一个概念、方法都有可能会在面试时被问到,因此你对这两门课要要充分的准备。

计算机的基础知识也是否非常重要的,大的互联网类公司非常喜欢考这种题目。包括c/c++/python等编程语言,数据结构,算法。对于编程语言,基础的常用的知识一定要掌握,毕竟你以后是要靠它们吃饭的,而不仅仅只是为了通过面试。很多编程语言类的题目都出自一些经典的书籍,如《c++ primer》,《effective c++》等。对于算法,最经典的是《算法导论》,如果你没有时间和信心看完这本书,起码要看一本简易版的数据结构和算法教材。常见的编程语言、算法题在网上都有题库,费点时间去刷一下,研究一下答案,对你来说是一条捷径,为什么不走?

学术与项目经验。一般来说,按照你所投的岗位,会问你本岗位所需要的一些专业知识。例如,如果你投的是NLP的职位,那NLP的主要问题难免会被问到。这些需要你平时话时间去掌握,并思考。对于一些深层次的问题,只有你真的思考过了,或者遇到过了,才会给出合适的答案。

工程能力。这一般通过编程题,或者上机编程来考察。计算机是偏实践和工程的学科,而实际编程,是考验一个人的编程能力的试金石。因此,你一定不能纸上谈兵,只懂理论而不会编程实现。编程能力的提升需要一个过程,主要在于平时的练习和积累。如果你之前代码写的少,那必须要花时间突击一下,把欠缺的补上来。

沟通、团队协作能力。这是专业能力之外的能力,但对一个人来说也非重要。至少你在面试时应该能顺畅的和面试官沟通,听清楚他的各种问题,思考之后给出答案,并有分寸的和面试官沟通。这方面的能力,是在平时养成的。

愉快的开始自己的第一份工作

如果你通过了某些公司的面试,顺利的拿到了offer,那么恭喜你!你将开始人生的新阶段,正式踏入社会。

以积极、正面的心态投入到第一份工作中是非常重要的。在工作中,你难免会遇到各种困难,技术上的,沟通合作上的,还有其他方面的。此时的你,已经不再是一个学生,而是有自己的判断力和处事能力的成年人。对于遇到的问题,要以积极正面的心态去面对,无论哪个团队、上级 ,都不会喜欢一个负能量的人。对于技术和研发中的问题,可以自己思考,也可以多和同时沟通,一起解决。对于管理、人际关系方面的问题,要以成熟的心智去处理,无论在哪里,有人的地方就有江湖,有江湖的地方就有人际关系问题。正确的做法是以平常心去看待这些问题,保持自己的道德和为人底线,做好自己的事情。

推荐阅读

[1]机器学习-波澜壮阔40年【获取码】SIGAI0413.

[2]学好机器学习需要哪些数学知识?【获取码】SIGAI0417.

[3] 人脸识别算法演化史【获取码】SIGAI0420.

[4]基于深度学习的目标检测算法综述 【获取码】SIGAI0424.

[5]卷积神经网络为什么能够称霸计算机视觉领域?【获取码】SIGAI0426.

[6] 用一张图理解SVM的脉络【获取码】SIGAI0428.

[7] 人脸检测算法综述【获取码】SIGAI0503.

[8] 理解神经网络的激活函数 【获取码】SIGAI2018.5.5.

[9] 深度卷积神经网络演化历史及结构改进脉络-40页长文全面解读【获取码】SIGAI0508.

[10] 理解梯度下降法【获取码】SIGAI0511.

[11] 循环神经网络综述—语音识别与自然语言处理的利器【获取码】SIGAI0515

[12] 理解凸优化 【获取码】 SIGAI0518

[13] 【实验】理解SVM的核函数和参数 【获取码】SIGAI0522

[14]【SIGAI综述】行人检测算法 【获取码】SIGAI0525

[15] 机器学习在自动驾驶中的应用—以百度阿波罗平台为例(上)【获取码】SIGAI0529

[16]理解牛顿法【获取码】SIGAI0531

[17] 【群话题精华】5月集锦—机器学习和深度学习中一些值得思考的问题【获取码】SIGAI 0601

[18] 大话Adaboost算法 【获取码】SIGAI0602

[19] FlowNet到FlowNet2.0:基于卷积神经网络的光流预测算法【获取码】SIGAI0604

[20] 理解主成分分析(PCA)【获取码】SIGAI0606

[21] 人体骨骼关键点检测综述 【获取码】SIGAI0608

[22]理解决策树 【获取码】SIGAI0611

[23] 用一句话总结常用的机器学习算法【获取码】SIGAI0611

[24] 目标检测算法之YOLO 【获取码】SIGAI0615

[25] 理解过拟合 【获取码】SIGAI0618

[26]理解计算:从√2到AlphaGo ——第1季 从√2谈起 【获取码】SIGAI0620

[27] 场景文本检测——CTPN算法介绍 【获取码】SIGAI0622

[28] 卷积神经网络的压缩和加速 【获取码】SIGAI0625

[29] k近邻算法 【获取码】SIGAI0627

[30]自然场景文本检测识别技术综述 【获取码】SIGAI0627

[31] 理解计算:从√2到AlphaGo ——第2季 神经计算的历史背景 【获取码】SIGAI0704

[32] 机器学习算法地图【获取码】SIGAI0706

[33] 反向传播算法推导-全连接神经网络【获取码】SIGAI0709

[34] 生成式对抗网络模型综述【获取码】SIGAI0709.

[35]怎样成为一名优秀的算法工程师【获取码】SIGAI0711.

[36] 理解计算:从根号2到AlphaGo——第三季 神经网络的数学模型【获取码】SIGAI0716

[37]【技术短文】人脸检测算法之S3FD 【获取码】SIGAI0716

[38] 基于深度负相关学习的人群计数方法【获取码】SIGAI0718

[39] 流形学习概述【获取码】SIGAI0723

[40] 关于感受野的总结 【获取码】SIGAI0723

[41] 随机森林概述 【获取码】SIGAI0725

[42] 基于内容的图像检索技术综述——传统经典方法【获取码】SIGAI0727

[43] 神经网络的激活函数总结【获取码】SIGAI0730

[44] 机器学习和深度学习中值得弄清楚的一些问题【获取码】SIGAI0802

[45] 基于深度神经网络的自动问答系统概述【获取码】SIGAI0806

[46] 机器学习与深度学习核心知识点总结 写在校园招聘即将开始时 【获取 码】SIGAI0808

[47] 理解Spatial Transformer Networks【获取码】SIGAI0810

[48]AI时代大点兵-国内外知名AI公司2018年最新盘点【获取码】SIGAI0813

[49] 理解计算:从√2到AlphaGo ——第2季 神经计算的历史背景 【获取码】SIGAI0815

[50] 基于内容的图像检索技术综述--CNN方法 【获取码】SIGAI0817

[51]文本表示简介 【获取码】SIGAI0820

[52]机器学习中的最优化算法总结【获取码】SIGAI0822

原创声明:本文为 SIGAI 原创文章,仅供个人学习使用,未经允许,不能用于商业目的

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

网络直播被严查,机器如何帮助鉴别小黄图?

2389
来自专栏about云

人工智能、机器学习、统计学、数据挖掘之间有什么区别?

人工智能、机器学习、统计学和数据挖掘有什么区别? 是否可以这样说,它们是利用不同方法解决相似问题的四个领域?它们之间到底有什么共同点和不同点?如果它们之间有层次...

4238
来自专栏大数据文摘

【综述】情感计算的“前世今生”

2716
来自专栏大数据挖掘DT机器学习

一个资深数据人对 数据挖掘 的解读

数据分析网 http://www.afenxi.com/post/7348 在银行做了两年的数据分析和挖掘工作,较少接触互联网的应用场景,因此,一直都在思考一个...

3609
来自专栏AI科技评论

深度 | 论文被拒千百遍,团队不受待见,Yann LeCun为何仍待深度学习如初恋?

AI科技评论按:Yann LeCun是人工智能神经网络方面的大牛,现在是Facebook人工智能研发团队的领军人物。可是他的研究之路并不是一帆风顺,在神经网络变...

3497
来自专栏大数据文摘

脑洞 | 像Sheldon一样对“讽刺语言”分辨无能?别怕,MIT最新算法帮你助攻

1714
来自专栏AI科技评论

地平线机器人CEO余凯:人工智能和深度学习的下一个风口在哪(含22页PPT)

雷锋网按:本文根据余凯在微软亚洲研究院召开的“让世界充满 AI-人工智能研讨会”上所做的报告《 “AI Inside”无处不在的未来 》编辑整理而来,在未改变原...

4144
来自专栏量子位

香港科技大学教授冯雁:How to Build Empathetic Machines

主讲人:冯雁 | 香港科技大学 屈鑫 整理编辑 量子位 出品 | 公众号 QbitAI 本文为冯雁教授8月18日于北京创新工场的分享实录整理,分享主题为《How...

3036
来自专栏腾讯云人工智能

大伽「趣」说AI:腾讯云在多个场景中的AI落地实践

AI技术已经家喻户晓。不论是移动终端设备,还是企业系统平台,都开始集成AI能力,现阶段看,AI融合到各个行业的潜力非常巨大,能够在众多场景中发挥作用,比如云计算...

5512
来自专栏数据科学与人工智能

【数据挖掘】互联网和金融 在数据挖掘上究竟存在什么区别?

文|周学春 在银行做了两年的数据分析和挖掘工作,较少接触互联网的应用场景,因此,一直都在思考一个问题,“互联网和金融,在数据挖掘上,究竟存在什么样的区别”。在对...

25410

扫码关注云+社区

领取腾讯云代金券