精华内容
下载资源
问答
  • 成为AI算法工程师

    2020-11-29 16:45:29
    AI算法工程师

    AI算法工程师

    展开全文
  • 在当前的就业环境下,人工智能工程师的高薪优势凸显,可却有不少人陷入了瓶颈期,不知道该朝着哪个方向发展自己,“掌握理论知识但缺乏实战经验”成为了求职晋升路上的短板,硬件设备的不足和自主学习...

    在当前的就业环境下,人工智能工程师的高薪优势凸显,可却有不少人陷入了瓶颈期,不知道该朝着哪个方向发展自己,“掌握理论知识但缺乏实战经验”成为了求职晋升路上的短板,硬件设备的不足和自主学习的惰性也成为了前进路上的绊脚石。

    在总结了不少学员的急迫需求之后,开课吧人工智能学院特此开展《人工智能项目实战训练营》,开设多个方向课程,帮你找到准确定位。与此同时,独家实训平台+助教陪伴式学习也帮你解决学习上软硬件的各种问题,360度无死角为你的安心学习铺平道路!

    我该如何参加?

    扫描下方二维码添加课程顾问

    获取实训平台说明书以及更多课程福利待遇

    ????????????

     

    根据需求自主选择适合自己的课程内容

    一线讲师天团

    本课程的老师,均来自国际名校(清华大学、佛罗里达大学、浙江大学等)且均具备世界知名企业(阿里巴巴、商汤科技、IBM中国实验室等)的实际工作经验。

    01

    02

    03

    04

    05

    滑动查看更多

    开通实训平台权限,进行自主训练

    独家自研线上教学环境,免除学员上课前下载步骤,课上无需配置环境,代码驱动,可以实时跟随老师的授课思路。同时能够在线进行编辑运行,随学随用

    独家在线实验环境,让你的上课过程从“只读”模式,转变为“编辑”模式。

    根据所选课程进入相对应的班级群,

    实现“助教+班主任贴心辅导”的高效率学习方式:

    专人督促完成课程进度及准时提交作业,从课上到课下,从专业辅导到日常督学、甚至生活建议,360度无死角为学员安心学习铺平道路。陪伴式解答学员疑惑,助力学员获得更优职业发展路径。

    除了项目驱动,我们课程的每节课都会给大家布置充实的作业练习。这些作业练习都具备一定难度,练习强度大,让同学们在实现完整算法模型的过程中同时具备解决实际问题的能力

    独家福利

    训练营课程都有啥?

    课程一:NLP文本情感分析实战训练营

    从算法原理到模型对比,聚焦词向量与 BERT 实战训练

    适合人群:有一定深度学习基础、对NLP感兴趣、对词向量与大规模预训练模型感兴趣的学员

    课程二:YOLO专题实战训练营

    从算法原理到源码剖析聚焦YOLO v3实战训练

    适合人群:有深度学习基础、正在学习人工智能或有算法项目经验、对CV技术感兴趣、对目标检测模型,特别是YOLO感兴趣的学员

    课程三:FPS 3000 人脸关键点算法实训营

    从算法原理到场景应用,充分掌握FPS3000算法模型

    适合人群:有一定计算机基础的、对CV技术感兴趣的、对FPS3000算法感兴趣的学员

    课程四:商业数据挖掘 Prophet实战求职训练营

    从原理到实战深度掌握 Prophet 完成流量预测

    适合人群:有一定Python基础、对预测分析感兴趣、想了解大厂招聘新要求的学员

    课程五:深度学习框架原理创造实战训练营

    从算法原理到专家级的神经网络框架构建

    适合人群:掌握基本的Python编程方法、希望理解AI的原理、掌握核心能力的学员

    如果你属于急需短时间内提升技能和掌握实训的人群,那么这次训练营十分适合你。从原理到实操掌握,让你业务实战能力up!快速实现升职加薪!

    本次训练营开课时间(一周之内),希望各位同学报名后:

    • 能提前预留好时间,准时参加直播学习;

    • 结合自身情况,提前整理好工作或就业中遇到的问题,确保自己能充分利用这次宝贵的答疑时间;

    • 可提前和小助理咨询相关学习资料进行预习,确保自己能充分汲取老师所授技术点,并能应用到实际业务中。

    扫描下方二维码添加课程顾问

    获取实训平台说明书以及更多课程福利待遇

    ????????????

    最后,希望大家开启一段充实的学习历程,愿大家都能突破职场瓶颈,提升竞争力。

    展开全文
  • 一年成为ai算法工程师Last week, I was recognized and nominated as VentureBeat’s AI Rising Star, one of the AI Leadership Awards awarded annually: 上周,我被认可并提名为VentureBeat的AI Rising Star ,这...

    一年成为ai算法工程师

    Last week, I was recognized and nominated as VentureBeat’s AI Rising Star, one of the AI Leadership Awards awarded annually:

    上周,我被认可并提名为VentureBeat的AI Rising Star ,这是每年颁发的AI领导奖之一:

    This award will honor someone in the beginning stages of her AI career who has demonstrated exemplary leadership traits.

    该奖项将表彰表现出杰出领导才能的AI事业初期的某人。

    Here’s what I learned as a newcomer, leader in AI.

    这是我作为AI的新手,领导者所学到的。

    As a newcomer to the industry — fresh out of university and a year in the industry, I’ve been able to shift and mold very rapidly. Not long ago, I was just a Data Science Researcher in my own little lab bench corner of a Particle Accelerator Research Lab while pursuing my undergraduate studies. I shouldn’t say “just”, because data science is a lot of hard work! Little did I know that a year later, I’ll be recognized in the industry as a Leader.

    作为该行业的新手,刚从大学毕业并在该行业工作了一年,我已经能够非常Swift地进行转变和塑造。 不久前,我只是在粒子加速器研究实验室的实验室小角落里从事数据科学研究的,当时我正在攻读本科。 我不应该说“公正”,因为数据科学是很多艰苦的工作! 我几乎不知道,一年后,我将在业界被公认为领导者。

    I went from 0–60 mph in under two seconds!

    我在不到两秒钟的时间内从0–60 mph加速了!

    Most importantly, I’ve also been able to grasp and observe the industry with a newcomer perspective. Here’s what I learned in a year of going from a data science researcher to an industry leader.

    最重要的是,我还能够以新手的视角来掌握和观察行业。 这是我从数据科学研究员到行业领导者一年的经验。

    人工智能需要完全不同的观点 (AI requires a completely different perspective)

    Most AI leaders today are “transcended data scientists”. They typically have pursued formal training in science, engineering or maths, and then woke up one day and decided they were more interested in leading people.

    今天,大多数AI领导者都是“ 超越数据科学家 ”。 他们通常接受科学,工程或数学方面的正规培训,然后醒来一天,并决定对领导者更感兴趣。

    In all too common situations they find themselves in, the double mastery of technical and leadership skills was earned in series not in conjunction with each other.

    在所有常见的情况下,他们都陷入了对技术和领导技能的双重掌握,而不是彼此联系在一起。

    They usually fall in one of two buckets:

    它们通常属于以下两个桶之一:

    1. A leader who starts to lose the technical side of things and can only talk about products at a high-level

      领导者开始失去技术层面的知识,只能在高层次上谈论产品

    2. A leader who is so entrenched in the technology and usually gets too into the weeds of the development

      如此根深蒂固的领导者,通常会沉迷于开发的杂草

    And typically, AI companies today fall in one of two buckets:

    通常,当今的AI公司属于以下两个类别之一:

    1. A company that pursues abstraction of technology and focuses on the real-world problem at hand (i.e., domain experts)

      一家追求技术抽象并专注于眼前的现实问题的公司(即领域专家)

    2. A company that gets too in the weeds of technology and loses sight of the real-world problem they were trying to solve in the first place (i.e., technology providers)

      一家过于涉足技术领域,却忽视了他们最初试图解决的现实问题的公司(例如,技术提供商)

    The industry requires all of you — the technical and visionary leader, and the abstracted and technology-focused organizations. But, there is a silo problem.

    这个行业需要你们所有人-技术和远见卓识的领导者,以及抽象的和关注技术的组织。 但是,这是一个筒仓问题。

    The industry is silo-ed. In the ecosystem, there are organizations that develop the underlying, necessary technologies, like frameworks, pre-trained models, and libraries. On the other hand, there are organizations that are specialized in certain domains — they know specific industries really well and understand the underlying problems the industry faces best. But these organizations don’t typically partner closely with each other. They build technologies independent of one another.

    这个行业是孤岛。 在生态系统中,有一些组织开发基础的必要技术,例如框架,预先训练的模型和库。 另一方面,有些组织专门研究某些领域,他们非常了解特定行业,并且了解该行业最能解决的潜在问题。 但是,这些组织通常不会彼此紧密合作。 他们建立彼此独立的技术。

    Within those organizations, there are AI leaders that are either too abstracted or too entrenched in the technology. There are leaders that only know how to spell AI, and leaders that understand the maths behind it all. They are typically not the same person.

    在这些组织中,有些AI领导者要么对技术太抽象,要么太根深蒂固。 有些领导者只知道如何拼写AI,而有些领导者则了解这背后的数学原理。 他们通常不是同一个人。

    What is needed in order to optimize AI technologies and deliver to its promise are leaders that can be both abstracted and entrenched in the technology, and organizations that work closely with each other and in harmony with one another.

    为了优化AI技术并兑现其诺言,需要的是既可以抽象又根深蒂固于该技术中的领导者,以及彼此紧密合作,彼此和谐相处的组织。

    But it is not an easy feat. If it was, then we would be doing it already, right?

    但这不是一件容易的事。 如果是的话,那我们就已经做了,对吧?

    There is an attitude problem. Do we really value these intersections and the inter-weaving of skills and organizations?

    有一个态度问题 。 我们是否真的珍视这些交叉点以及技能和组织的交织?

    人工智能中最有价值的领导特质 (The most valuable leadership trait required in AI)

    In the age of information, ironically, leaders are typically shielded from new information, because of the sheer volume of information and the rate at which new information is generated every day.

    具有讽刺意味的是,在信息时代,由于庞大的信息量和每天产生新信息的速度,领导者通常都无法获得新信息。

    On July 16, 2020 alone, there were about 70 papers submitted to arXiv.org that have to do with machine learning with each paper ranging from 15–50 pages of information. That doesn’t even include other research publishers. That is a lot of new information and knowledge generated every day.

    仅在20207月16日,大约有70篇论文提交给arXiv.org,这些论文与机器学习有关,每篇论文的信息覆盖15至50页。 甚至不包括其他研究出版商。 这就是每天产生的许多新信息和知识。

    The most necessary leadership trait required of an AI leader today is humility.

    今天,AI领导者最需要的领导特质是谦卑。

    In the sea of rapid change and everyday shifts in the industry, it is impossible to purely rely on 20-year-old wisdom of how the industry works. AI leaders need to be willing to learn and be open to learning from someone who 20 years younger or multiple levels of the hierarchy down. Organizations need to empower more Rising Stars.

    在行业日新月异的变化之海中,仅依靠20年的行业运作智慧是不可能的。 AI领导者需要愿意学习,并愿意向年轻20岁或多层以下层次的人学习。 组织需要授权更多的后起之秀

    The most effective leaders I’ve come to follow are those that are unafraid to learn from interns and direct reports.

    我要追随的最有效的领导者是那些不怕从实习生和直接报告中学习的领导者。

    Companies typically hire newcomers to lead as product managers or project leads, because the situation warrants an outside-in perspective and a fountain of knowledge full of new and yet-to-be primed ideas. Organizations require things to be shaken up and rapidly adapt to new information every day.

    公司通常会聘请新来的人担任产品经理或项目负责人,因为这种情况需要一种由内而外的观点,并且需要充满新的和尚待完善的想法的知识源泉。 组织要求事情要动摇并每天Swift适应新信息。

    人工智能需要民主化 (AI needs to be democratized)

    Gone are the days when AI was only accessible to PhD researchers and organizations that could afford a research residency program. For the industry to realize the full potential of AI, there needs to be democratization. Making the technology accessible expands the possibilities and the realm of what we can do with it.

    只有能够负担研究驻留计划的博士研究人员和组织才能使用AI的日子已经一去不复返了。 为了使行业实现AI的全部潜力,需要实现民主化。 使技术变得可访问性扩展了我们可以使用该技术的可能性和领域。

    More than any other industry, AI requires a large community to collaborate and datasets, insights, and models that can be shared among each other, which is why most industry leaders today open-source code. This creates and engenders trust.

    人工智能比任何其他行业都需要更大的社区进行协作,并且可以相互共享数据集,见解和模型,这就是当今大多数行业领导者开放源代码的原因。 这创建并产生信任。

    Not only do datasets and models need to be democratized, knowledge and know-how also need to be accessible, especially to industry experts who best understand the real-world problem.

    不仅需要使数据集和模型民主化,而且还需要获取知识和专有技术,尤其是对于最了解现实问题的行业专家而言。

    AI is not a black box nor is it magic. Simply put, it is a construct that allows us to generate instructions out of examples, as opposed to relying on programmers to outline step-by-step instructions.

    AI不是黑匣子,也不是魔术。 简而言之,它是一种允许我们从示例中生成指令的结构,而不是依赖于程序员来概述逐步的指令。

    Once more of the industry understands this, the more we could better understand the use cases where AI is needed and when it is not (and yes! Some use cases do not require AI — sometimes, it only requires data analytics and statistics). The more industry leaders understand this, the better we could decipher the possibilities where AI can enhance existing solutions we have today and create new solutions to unsolved issues, and the less we get frustrated at the data scientists in our teams who spend full-day business hours reading papers on arXiv.

    一旦业界对此有了更多的了解,我们就可以更好地了解需要AI和何时不需要AI的用例(是的!有些用例不需要AI-有时只需要数据分析和统计) 。 行业领导者对此了解得越多,我们就越能更好地理解AI可以增强我们现有的现有解决方案并为未解决的问题创建新解决方案的可能性,而我们对全天投入业务的团队中的数据科学家的挫败感就越少小时在arXiv上阅读论文。

    To summarize, leaders in AI need to be open-minded, have humility, and work to democratizing AI. AI needs to be an accessible technology that is available to everyone who sees and wants to solve problems.

    总而言之,人工智能领域的领导者必须胸襟开阔,谦虚谦卑,并努力使人工智能民主化。 人工智能需要成为一种可访问的技术,所有看到并希望解决问题的人都可以使用。

    Successful real-world implementation of AI needs a new breed of decision-makers that could adapt to the ever-so-changing industry.

    成功地在现实世界中实现AI需要新的决策者,以适应日新月异的行业。

    This is not to say we only need young, newcomer leaders in the industry. I have a minuscule wisdom dataset compared to someone who has been in the industry for more than 20 years! It is a “yes, and.” We need both leaders that have acquired a foundation of wisdom (after all, there is no compression framework to experience!) and new leaders who could shake up the industry.

    这并不是说我们只需要业内年轻,新来的领导者。 与从事该行业超过20年的人相比,我拥有微不足道的智慧数据集! 这是“是的,并且”。 我们既需要获得智慧基础的领导者(毕竟,没有压缩的经验框架!),也需要能够撼动整个行业的新领导者。

    It is no easy feat to change the world, there is more to be gained if we learn from each other.

    改变世界绝非易事,如果我们彼此学习,就会有更多收获。

    翻译自: https://towardsdatascience.com/what-i-learned-as-a-data-science-researcher-turned-ai-leader-in-a-year-15a0224813eb

    一年成为ai算法工程师

    展开全文
  • 如何成为一名AI人工智能算法工程师

    万次阅读 多人点赞 2019-06-30 12:25:21
    经常有朋友私信问,如何学python呀,如何敲代码呀...来看看你距离成为一名AI工程师还有多远吧~ ⭐具体内容: 我是因为什么开始接触敲代码 人工智能/机器学习/深度学习 自学如何寻找学习资料 如何选择编...

    https://www.toutiao.com/a6707050434688713227/

     

    如何成为一名AI人工智能算法工程师?

     

    经常有朋友私信问,如何学python呀,如何敲代码呀,如何进入AI行业呀?

    正好回头看看自己这一年走过的路,进行一次经验总结。

    来看看你距离成为一名AI工程师还有多远吧~

    ⭐具体内容:

    我是因为什么开始接触敲代码

    人工智能/机器学习/深度学习

    自学如何寻找学习资料

    如何选择编程语言/框架

    校招/社招/实习/面试经验

    一碗鸡汤

    ⭐声明:

    本篇内容均属于个人观点,建议采纳对自己有用的经验,如有疏漏,欢迎指正,共同进步!

    2017年5月开始第一份实习 / 2017年7月开始学敲代码 / 2017年11月硕士毕业

    擅长的编程语言:R / Python

    不花钱报班,全靠自学,最初是因为穷,后来发现“开源”的世界真是太美好了!

    如何成为一名AI人工智能算法工程师?

     

    我是因为什么开始接触敲代码?

    我的第一个模型是什么

    由于本科是数学,研究生是量化分析,第一份实习是一家金融科技公司,开始接触所谓的“Fintech”

    第一个任务就是做客户的信用评分卡模型,目的给每个用户打一个信用分数,类似支付宝的芝麻信用分。这是银行标配的一个模型,最常见最传统的算法用的就是逻辑回归

    在课堂上使用的工具是SAS,SPSS,属于有操作界面的,菜单非常齐全,只需要鼠标点一点就能建模,很好上手。但是SAS这些要付钱的,年费还是相当的贵,所以深圳大部分公司进行数据分析和建模工作都选择开源免费的R语言或者Python。这就体现了掌握一门编程语言的重要性。

    虽然说是建模任务,但是前三个月跟建模基本都扯不上边。都在做数据清洗,表格整理(摊手),都在library各种包,用的最多的可能是data.table和dplyr。没办法,很多模型都有包可以直接调用,是最简单的环节了。其实一开始,我一直在犯很低级的错误,各种报错,没有library啦,标点符号没打对啦,各种很low的错误犯了一次又一次,而且连报错的内容都不会看,不知道怎么去改正。如果你也像我一样,真的请不要灰心,我就是这样走过来的。对着错误一个个去解决就好了~

    当时什么都不知道的时候,觉得真难呀,每个环节都有那么多细节要照顾,要学的那么多,做完一个还有一个,还要理解业务含义。但是当完整的做一遍之后再回头,就会觉得,其实,也没那么难嘛~

    如何成为一名AI人工智能算法工程师?

     

    敲代码容易吗?

    因为我不是计算机专业的,所以基本上属于没怎么敲过代码的那种。

    后来发现程序员也有好多种类的,前端后端等,因此敲的代码种类也很多,才会有几十种的编程语言,下图是一些这几年的主流语言。

    如何成为一名AI人工智能算法工程师?

     

    实习时我一直被队友嫌弃很蠢,而且一开始敲的东西怎么也运行不通,运行出来的都是鬼结果。有n次想放弃的念头,“我干嘛一定要敲这玩意儿?”,但也有n+1次想坚持的理由,因为我真的喜欢我正在做的事。为什么用“坚持”,因为真的不容易。不难,但真的需要有耐心。

    一开始我的状态就是一行行代码的运行,一个个命令的熟悉,反复看,反复运行。

    • 从敲出第一行代码到敲出第一个完整的模型花了3个月
    • 学习XGBoost,光是理论学了3个月,因为前期铺垫要学的还有adaboost/gbdt和各种机器学习的知识模块
    • 从R切换到python花了1个月
    • 从机器学习(Machine Learning)切换到自动机器学习(Auto Machine Learning)花了2个月
    • 从NLP零基础到搭建一个智能问答机器人花了1个月

    从一年前的“什么是过拟合,什么是交叉检验,损失函数有哪些”到后来参加全球人工智能峰会时都能听懂的七七八八,会觉得,努力没有白费呀!

    如何成为一名AI人工智能算法工程师?

     

    可以看出,经过前面的积累,后面会学的越来越快。

    慢慢的就从一开始的那种“唉,怎么又报错啊,好挫败”的心态变成现在的“啊?没error?感觉不对啊,再查验一遍吧”这种抖M倾向的人。代码虐我千百遍,我已经被磨的没有了脾气。

    已经有几个朋友说想转行了,我何曾没想过,只是不知不觉中坚持了下来而已。因为热爱,越虐越停不下来

    小结

    设定一个非常清晰的目标

    为什么第一个写:“我是因为什么开始敲代码的”,因为动机真的非常重要!

    所以,很多人在问我“如何学python?”这种问题时,我的第一回答都是“你学python用来干嘛?”

    在学校也敲打过python,做个爬虫demo什么的,因为目的性不强没多久就放一边了。清晰的目标就比如说你要做NLP,你要知道NLP的应用有智能问答,机器翻译,搜索引擎等等。然后如果你要做智能问答你要知道现在最发达的技术是深度学习,使用的算法有RNN/LSTM/Seq2Seq/等等一系列。而我的清晰目标是在实习的时候给我的任务。当任务很明确的时候,所需要的语言就明确了,所要学习的算法也就明确了,很多东西就顺理成章了不用一头乱撞了。

    从金融到科技

    AI的应用范围很广,每一个研究方向都是无穷尽的。由于金融公司很少与图像处理,NLP等技术会有交集,而我强大的好奇心让我决定去纯粹的科技公司一探究竟。目前已投身于智能家居,目标是Javis

    人工智能/机器学习/深度学习

    我经常在公交的广告牌上看见这些词,好像哪家公司没有这个技术就落后了似的。更多的还有强化学习,迁移学习,增量学习等各种学习。

    这些词儿之间到底什么关系

    机器学习是人工智能的一种,深度学习是机器学习的一种。学AI先学机器学习

    如何成为一名AI人工智能算法工程师?

     

    计算机的“算法” 与 数学的“算法” 的区别

    理论知识对于AI算法工程师极其重要。敲代码只是思路的一个实现过程。这里的“算法”和计算机CS的“算法”还不太一样,AI算法是偏数学推导的,所以数学底子还是需要点的,学的越深,要求越高。面试的时候,很少让手写代码,90%都是在问模型抠算法细节。

    在学校我是一个不爱记笔记的人,甚至是一个不爱上课的人。但是自从入了机器学习的坑后,笔记写的飞起~

    如何成为一名AI人工智能算法工程师?

     

    如何成为一名AI人工智能算法工程师?

     

    机器学习的框架

    按照数据集有没有Y值可以将机器学习分为监督学习、半监督学习和无监督学习。监督学习是分类算法,无监督学习是聚类算法。

    如何成为一名AI人工智能算法工程师?

     

    机器学习的通用流程和相关技术如下图:

    如何成为一名AI人工智能算法工程师?

     

    ML这棵树还可以有更多的分支。先有个整体感受,再一个一个的解决掉。这里的知识点也是面试最爱问的几个,是重点呀!面试过的同学应该都不陌生了。

    机器学习如何入门

    机器学习之大,初学者都无从下手。说白了,机器学习就是各种模型做预测,那么就需要有数据,要想有好的效果,就要把原始的脏数据洗干净了才能用。数据内隐藏的信息有时候是肉眼不可见的,那么就需要一些相关技巧来把有用信息挖出来。所有绞尽脑汁使用的技巧,都是为了能预测的更准确。但是谁也没办法做到百分百的命中。

    这里简单介绍下机器学习的三大块:传统的机器学习ML、图像处理CV、自然语言处理NLP

    再推荐一个入门神器:

    Kaggle(www.kaggle.com)

    这是一个世界级的最权威的机器学习比赛,已被谷歌收购。上面的赛题不仅很有代表性,还有很多免费的优秀的数据集供你使用,要知道收集数据是机器学习的第一大难题,它就帮你解决了。入门不用立马参加比赛,把数据下载下来,尽情折腾就好了,要是没有思路,去网上搜别人的解题笔记和代码借鉴一下也很美好~因为这是大家都争相打榜的比赛,所以你并不孤单。

    ML入门该参加的赛题(Titanic)

    如何成为一名AI人工智能算法工程师?

     

    图像入门该参加的赛题(数字识别)

    如何成为一名AI人工智能算法工程师?

     

    NLP入门该参加的赛题(情感分析、quora问句语义匹配)

    如何成为一名AI人工智能算法工程师?

     

    如何成为一名AI人工智能算法工程师?

     

    等做完第一个titanic的比赛应该就有点感觉了。上面4个比赛我都做过,觉得很经典,很适合入门。

    深度学习的入门算法有哪些

    如今的样本输入可以是文字,可以是图像,可以是数字。

    深度学习是跟着图像处理火起来的。甚至现在这个概念都火过了“机器学习”。

    深度学习的算法主要都是神经网络系列。入门推荐CNN(卷积神经网络)的一系列:

    LeNet5

    AlexNet

    VGG

    GoogleNet

    ResNet

    自学如何寻找学习资料?

    开源的世界,美好的世界❤

    “开源”,我的爱!代码届里开源的中心思想就是,share and free

    对于机器学习,网上的社区氛围特别好,分享的很多很全面,而且MLer都非常乐于助人。

    介绍几个我经常逛的社区,论坛,和网页:

    kaggle (www.kaggle.com)

    全球最权威的机器学习比赛,已被谷歌收购。赛题覆盖传统机器学习、nlp、图像处理等,而且都是很实际的问题,来自各行各业。kaggle是数一数二完善的ML社区了,赛题开放的数据集就很有用,非常适合新手练手。对优秀的kaggler也提供工作机会。

    github(www.github.com)

    全球最大同性交友网站,适合搜项目,开源大社区,大家一起看星星,看issue~

    StackOverFlow(www.stackoverflow.com)

    代码报错找它,代码不会敲找它!所有与代码相关的坑,基本都有人踩过啦

    csdn(www.csdn.net)

    最接地气的博客聚集地,最常看的网页之一,一般用来搜索细节知识点或者代码报错时

    sklearn(scikit-learn.org/stable)

    专业做机器学习100年!各算法各技巧的例子code应有尽有

    medium(medium.com)

    创办人是Twitter的创始人,推崇优质内容,国内很多AI公众大号的搬运都来自于这里,medium里每个作者都有自己独特的见解,值得学习和开拓眼界,需要科学上网

    towards data science(towardsdatascience.com)

    与medium很像,需要科学上网

    google AI blog(ai.googleblog.com)

    谷歌的AI团队维护的博客,每天至少更新一篇技术博客。刚在上海开的谷歌开发者大会宣布将会免费开放机器学习课程,值得关注一下,毕竟是AI巨头

    各种大神的技术博客/个人网站

    有很多的网站,会不定期的更新在我的个人博客里

    有口碑的AI公开课平台

    首先说明我没有上课,也没有报班,属于个人学习习惯问题。但考虑到学习差异性,所以还是总结了口碑排名靠前的课程系列。前提,需要有一定数学基础,没有的可以顺便补一补。

    coursera(www.coursera.org/browse)

    吴恩达(Andrew Ng)机器学习

    deeplearning.ai(www.deeplearning.ai)

    fast.ai(www.fast.ai)

    专注于深度学习。Fast.ai的创始人就蛮有意思的,是横扫kaggle图像处理的高手,不摆架子,也不故弄玄虚。中心思想就是深度学习很简单,不要怕。fast.ai有博客和社区。Jeremy和Rachel鼓励撰写博客,构建项目,在会议中进行讨论等活动,以实力来代替传统证书的证明作用。

    udacity(in.udacity.com)

    有中文版,课程覆盖编程基础,机器学习,深度学习等。

    网易云课堂

    碎片时间

    科技圈也是有潮流要赶的,等你入坑就知道。

    追最新的论文,最新的算法,最新的比赛,以及AI圈的网红是哪些~有条件的开个twitter,平时娱乐看看机器学习板块还是蛮有意思的,有很多自嘲的漫画~

    推荐几个我超爱看的AI主题美剧

    硅谷(强推!简直是我日常生活,太有共鸣了~下饭剧)

    西部世界(看的时候不要学我一直在思考如何实现这个那个技术)

    实用的小技巧

    浏览器首推 chrome

    当阅读英文网页呼吸困难时,右击选择“翻成中文(简体)”

    考过雅思和GMAT,曾经我也是一个热爱英文的孩子,如今跪倒在海量技术文档和文献里苟活

    搜索问题一定用google,如果没解决是你的问题不是google的锅

    baidu???ummm......别为难我......很少用

    学会提问很重要,搜索格式推荐

    语言+问题,例如:python how to convert a list to a dataframe

    直接复制错误信息,例如:ValueError: No variables to save...

    请把所有的问题往上抛,网上查比问人快!总是问别人会引起关系破裂的~

    学会顺藤摸瓜

    当你读到一个非常不错的技术文档时,看完别急着关掉。这可能是一个个人网站,去观察菜单栏里有没有【About】选项。或者这也可能是一个优秀的社区,看看有没有【Home】选项,去看看po的其它的文章。

    很多优秀网站都是英文,科学上网必不可少

    学习费用不来自课程,可能来自于硬件要求,学生党要利用好学校资源

    小结

    虽然说了那么多,但还是要说请放弃海量资料!用多少,找多少就好了!(别把这句话当耳旁风

    资料不在量多而在于内容是有质量保证的。很多课程或者公众号只管塞知识,你有疑问它也解答不了的时候,这样出来的效果不好,就像一个模型只管训练,却不验证,就是耍流氓

    如何选择编程语言/框架

    首选英语!!!(咳咳,我认真的)

    说到底,语言只是工具,不去盲目的追求任何一种技术。根据任务来选择语言,不一样的程序员选择不一样的编程语言。很多人最后不是把重点放在能力而是炫工具,那就有点走偏了。

    据观察,在机器学习组里R和Python是使用率最高的两门语言,一般你哪个用的顺就用哪个,只要能达到效果就行,除非强制规定。

    我使用之后的感受是,人生苦短,我用python

    用python建个模型到底多难?

    算法任务大致分为两种,一种是普通算法工程师做的“调包、调参”,另一种是高级算法工程师做的,可以自己创建一个算法或者能灵活修改别人的算法。

    先说说建个模到底有多简单吧。

    有优秀的算法封装框架

    tensorflow / caffe / keras /...

    Auto ML 是不可阻挡的一个方向

    Auto ML(auto machine learning),自动机器学习。就是你只管丢进去数据,坐等跑出结果来就行了。前一阵子谷歌的CloudML炒的很火,愿景是让每个人都能建模,但毕竟这种服务是要钱的。所以我研究了下开源的auto sklearn框架的代码,发现了什么呢?建模到底有多简单呢?就,简单到4行代码就可能打败10年工作经验的建模师。

    再说回来,如果你自己根本不知道自己在做什么,只能跑出来一个你不能负责的结果,就是很糟糕的,那还不是一个合格的算法工程师。你的模型必须像你亲生的那样。但是,只要你想,绝对能做到的!

    学习python电脑上要装哪些东西

    Anaconda

    对,就是这么简单粗暴,装这个就ok了

    学python的应该都会面临到底是python2还是python3的抉择吧。语言版本和环境真的很让人头疼,但是Anaconda惊艳到我了,就是可以自定义python环境,你可以左手py2右手py3

    推荐几个python的IDE

    Spyder

    Anaconda自带的ide。界面排版与Rstudio和Matlab很相似。输入什么就输出什么结果,适合分析工作,我写小功能的时候很喜欢用。

    Jupyter Notebook

    Anaconda自带的ide,属于web界面的。当你程序跑在虚拟机,想调代码的时候适合用。

    PyCharm

    对于写项目的,或者代码走读的比较友好。当你需要写好多python文件互相import时,特别好用。

    我的笔记本配置

    (不考虑经济约束的请忽略这条)

    牌子+型号:ThinkPad X1 Carbon

    推荐配置:i7+16G内存+256G(或更多)硬盘

    系统推荐:Linux,因为开源,有空可以玩玩

    校招/社招/实习/面试经验

    如何安排校招

    大厂的开放时间会比较早,密切关注网申时间节点:

    2019届的秋招:2019年7月 - 2019年11月

    2020届的春招:2020年2月 - 2020年4月

    2020届的暑期实习:2020年3月 - 2020年5月

    2020届的秋招:2020年7月 - 2020年11月

    (以此类推)

    手撕代码能力

    建议提早半年开始准备。我的代码也是从实习开始敲起,敲了半年才觉得下手如有神哈哈。不要做没实际意义的课后题,也不要照着书本例题敲,敲完你就忘了,书本这些都是已经排除万难的东西,得不到什么成长。

    入门修炼:全国大学生数学建模竞赛、全美大学生数学建模竞赛、kaggle、天池…

    项目经历/实习经历

    如果明确自己的职业方向为人工智能/数据挖掘类的,请不要浪费时间去申请其他与技术无关的实习。端茶送水,外卖跑腿,打印纸并不能帮你。当时由于身边同学都断断续续出去实习,面前有一份大厂行政的实习,我…竟然犹豫了一下,好在也还是拒绝了。

    尽量选择大厂的技术实习,毕竟以后想进去会更难。但是不要因为一个月拿3000块就只干3000块的活。把整个项目跟下来,了解框架的架构,优化的方向,多去尝试,就算加班(加班在深圳很正常)也是你赚到,思考如何简化重复性工作,去尝试了解自己部门和其他部门的工作内容与方向,了解的越多你对自己想做的事情了解的也越多。我实习做的评分卡模型,除了传统逻辑回归,也尝试新的XGB等等,而且虽然别人也在做,但是私下自己会把整个模型写一遍,包含数据清洗和模型调优等,这样对业务的了解也更透彻,面试起来所有的细节都是亲手做过的,也就比较顺了。

    如果没有实习在手,世界给我们数据挖掘选手的大门还是敞开着的。kaggle上有专门给数据挖掘入门者的练习场。相关的比赛还有很多,包括腾讯、阿里等大厂也时不时会发布算法大赛,目测这样的算法大赛只会越来越多,你坚持做完一个项目,你在平台上还可以得到相关名次,名次越靠前越有利哈哈哈这是废话。

    BAT常见的面试题(不分先后)

    自我介绍/项目介绍

    类别不均衡如何处理

    数据标准化有哪些方法/正则化如何实现/onehot原理

    为什么XGB比GBDT好

    数据清洗的方法有哪些/数据清洗步骤

    缺失值填充方式有哪些

    变量筛选有哪些方法

    信息增益的计算公式

    样本量很少情况下如何建模

    交叉检验的实现

    决策树如何剪枝

    WOE/IV值计算公式

    分箱有哪些方法/分箱原理是什么

    手推SVM:目标函数,计算逻辑,公式都写出来,平面与非平面

    核函数有哪些

    XGB原理介绍/参数介绍/决策树原理介绍/决策树的优点

    Linux/C/Java熟悉程度

    过拟合如何解决

    平时通过什么渠道学习机器学习(好问题值得好好准备)

    决策树先剪枝还是后剪枝好

    损失函数有哪些

    偏向做数据挖掘还是算法研究(好问题)

    bagging与boosting的区别

    模型评估指标有哪些

    解释模型复杂度/模型复杂度与什么有关

    说出一个聚类算法

    ROC计算逻辑

    如何判断一个模型中的变量太多

    决策树与其他模型的损失函数、复杂度的比较

    决策树能否有非数值型变量

    决策树与神经网络的区别与优缺点对比

    数据结构有哪些

    model ensembling的方法有哪些

    小结

    问题是散的,知识是有关联的,学习的时候要从大框架学到小细节。

    没事多逛逛招聘网站看看招聘需求,了解市场的需求到底是什么样的。时代变化很快,捕捉信息的能力要锻炼出来。你可以关注的点有:职业名/职业方向/需要会什么编程语言/需要会什么算法/薪资/...

    每个面试的结尾,面试官会问你有没有什么想问的,请注意这个问题也很关键。

    比如:这个小组目前在做什么项目/实现项目主要用什么语言和算法/…

    尽量不要问加不加班,有没有加班费之类的,别问我为什么这么说(摊手)

    在面试中遇到不理解的,比如C++语法不懂,可以问这个C++具体在项目中实现什么功能。如果你提出好问题,能再次引起面试官对你的兴趣,那就能增加面试成功率。

    应届生就好好准备校招,别懒,别怕输,别怕被拒,从哪里跌倒从哪里起来。社招不是你能招呼的,会更挫败,因为你什么也没做过。

    虽然是做技术的,但是日常social一下还是收益很大的。实习的时候,也要与周围同事和平相处,尤其是老大哥们,也许哪天他就帮你内推大厂去了。内推你能知道意想不到的信息,面试官,岗位需求,最近在做什么项目之类的。

    挑选给你机会的公司,不要浪费自己的时间。不要每家都去,去之前了解这家公司与你的匹配度

    尤其社招,你一改动简历就很多人给你打电话,你要有策略的去进行面试,把握总结每个机会。像我就是东一榔头西一榔头的,好多都是止步于第一面,就没回信儿了,因为每次面完没有好好反思总结,等下次再遇到这问题还是抓瞎,十分消耗自己的时间和信心。

    一碗鸡汤

    一切才刚刚开始,别着急

    AI才刚刚起步,为什么呢?因为上数学课的时候,课本上都是柯西,牛顿,高斯等等,感觉他们活在遥远的时代,很有陌生感。但是现在,我每天用的模型是比我没大几岁的陈天奇创造出来的,我甚至follow他的社交账号,他就鲜活在我的世界里,这种感觉,很奇妙。每次查论文查文献的时候,看2017年出来的都觉得晚了,懊悔自己怎么学的这么慢,看2018年2月出来的才心里有点安慰。这个证明,你在时代发展的浪潮上,也是一切刚刚起步的证明。机遇与挑战并肩出现的时候,是你离创造历史最近的时候。而所谓的风口所谓的浪尖都不重要,重要的是,因为你喜欢

    找一件可以坚持的事,不要停止去寻找的脚步

    当人做喜欢的事情时,会发光呀!

    当你因为真的热爱某件事,而不断接近它的时候,你的灵魂像是被上帝指点了迷津,受到了指示,受到了召唤。你会很自然的知道该做什么,你想做什么,好像生而为了这件事而来。你有时候自己都想不明白为什么做这件事。看过月亮与六便士的应该懂这种使命感~

    如何成为一名AI人工智能算法工程师?

     

    我不是属于聪明的那类人,我是属于比较倔的那种。就是只要我认定的,我认定到底。天知道我有多少次怀疑过自己,有多少次想放弃,但我还是选择咬牙向前,选择相信自己。坚持的意义就在这里。

    如何成为一名AI人工智能算法工程师?

    展开全文
  • ai人工智能算法工程师 随着AI越来越擅长处理越来越多的计算任务,致力于开发AI的人们可能很快就会失业。 随着人工智能进入当今越来越多的技术中,有抱负的算法工程师面临着独特的困境。 一方面,他们必须竞争以...
  • 这里总结了成为AI算法工程师所需要掌握的一些要点 来看看你距离成为一名 AI 工程师还有多远吧~ 一、编程 就像大多数软件应用程序的开发一样,开发人员也在使用多种语言来编写人工智能项目,但是现在还没有...
  • 这是一篇关于如何成为一名AI算法工程师的长文

    千次阅读 多人点赞 2019-06-25 09:08:00
    点击上方“Datawhale”,选择“星标”公众号第一时间获取价值内容这是一篇关于如何成为一名AI算法工程师的长文~经常有朋友私信问,如何学python呀,如何敲代码呀,...
  • 人工智能算法工程师知识 努力成为一名合格的水平的AI算法工程师 未完待续,持续更新... 一,工程基础 1,编程语言 2,软件工程 代码规范 3,操作系统 4,数据库 二,机器学习基础 1,数学基础 2,可视化 3,...
  • 怎样成为一名优秀的算法工程师

    万次阅读 多人点赞 2018-07-12 10:54:25
    其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》,...怎样成为一名优秀的算法工程师?这是很多从事人工智能学术研究和产品研发的同学都关心的一个问题。面对市场对人才的大量需求...
  • 2020因为疫情与经济局势的影响,不论对于在职人员还是应届生都是最近几年就业压力最大的一年,但AI算法工程师相关职位,确实比其他的技术类职位高出不少,算法工程师的薪资在科技公司中,基本是...
  • 2020因为疫情与经济局势的影响,不论对于在职人员还是应届生都是最近几年就业压力最大的一年,但AI算法工程师相关职位,确实比其他的技术类职位高出不少,算法工程师的薪资在科技公司中,基本是...
  • 前言:第二期课程在2019年2月结课,第一期、第二期具有求职意向的同学中,目前已经有80%的同学拿到了国内外名企的AI算法岗位offer,或者国外名校的AI 硕士录取 o...
  • 人工智能与自然语言处理/计算机视觉课培训招生Artificial Intelligence ForNLP/CV Courses真实企业级项目驱动找工作拿不到offer全...
  • 来源:知乎本文仅作学术分享,著作权归属作者,侵删原文地址:https://www.zhihu.com/question/425088404AI热潮到来差不多4~5个年头,产业界关于AI算法...
  • 【导读】今天给大家推荐一本人工智能算法工程师求职必备“面经” --百面机器学习(文末附pdf下载方式,限时领取哟!)自2018年面世以来,该书现已成为机器学习算法工程师求职面试必备圣经。...
  • Github:YZHANG1270/Girls-In-AI Coding is the new sexy. GirlsInAI(GIA) 是一个面向编程 零基础 的AI算法工程师养成计划...入门帖:如何成为一名AI算法工程师 欢迎关注微博账号 @Girls-In-AI,获取Girls-In-AI...
  • 光环大数据 --大数据培训 &人工智能培训 AI 时代如何成为一名优秀的算法工程师 _光环大数据 1算法工程师是做什么的 广义上是指搞软件算法的 也就是开发和应用软件算法实现工业控制和程序 处理除了机器学习之外 还...
  • 点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入!日前,由“未来杯AI挑战赛”发起,智谱·AIAI TIME联合承办的“未来杯-智谱人工智能科技探索赛”正式启动。本次直播将由比赛...
  • 2021年的金三银四跳槽季已经来啦,根据著名招聘网站的数据,人工智能、机器学习岗位已经逐渐成为行业的刚需,但薪酬上涨的同时,竞争压力也会越来越大。那么,面对这样高薪岗位的面试,你真的准备好...
  • 如何“快”、“准”、“狠”成为优秀算法工程师   https://www.cnblogs.com/DicksonJYL/p/9713948.html   怎样成为一名优秀的算法工程师?这是很多从事人工智能学术研究和产品研发的同学都关心的一个问题。...
  • GirlsInAI 是一个面向编程零基础女孩子的AI算法工程师养成计划。这个计划鼓励更多的女孩子去学习编程甚至成为科技行业的领袖。
  • 我的一年AI算法工程师成长记

    千次阅读 多人点赞 2019-09-08 21:28:28
    作者 | 张怡来源 | Datawhale(ID:Datawhale)【导语】经常有朋友私信问,如何学python?如何敲代码?如何进入AI行业?正好回头看看自己这一年走...
  • 如何成为一名合格的运筹优化算法工程师

    万次阅读 多人点赞 2019-07-23 18:30:35
    作为算法工程师里的一小撮,相比机器学习、人工智能、视觉等算法工程师,运筹优化算法工程师在国内算是又小众又新鲜。作为近几年才慢慢进入大众视野的岗位,人们对其的认知和了解相对其他AI领域,还是较少的。比如我...
  • 在外行人眼中,AI算法工程师可能是拿到最近某大神新发的Paper,或者自己钻研理论推公式产出理论成果,通过并行编程实现其支持大规模数据训练,然后打败现有模型,ctr提升200%,收入提高...
  • 点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入!日前,由“未来杯AI挑战赛”发起,智谱·AIAI TIME联合承办的“未来杯-智谱人工智能科技探索赛”正式启动。本次直播将由比赛...
  • 算法工程师

    2018-11-01 12:26:55
    算法工程师AI 火爆的这几年,成为了招聘市场最抢手的对象之一。一时间,大家都在纠结要不要转型算法工程师。那么,企业需要怎样的算法工程师?普通程序员又该如何转型成为一名优秀的算法工程师? 本期,我们请到...
  • 怎样成为一名优秀的算法工程师?这是很多从事人工智能学术研究和产品研发的同学都关心的一个问题。面对市场对人才的大量需求与供给的严重不足,以及高薪水的诱惑,越来越多的人开始学习这个方向的技术,或者打算向...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 33,480
精华内容 13,392
关键字:

如何成为ai算法工程师