机器学习越来越受到人们的关注，但想找到一份机器学习的工作，仍然非常困难，今天小编跟大家谈一谈找人工智能相关工作的五个技巧，助你一臂之力。
在大公司担任工程师，不仅要了解数据科学，还需要了解编程和系统设计等方面的知识。通常情况下，申请一个新职位需要做大量的研究和学习。
我在面试开始的前两个月就开始准备进行机器学习的面试了。那时我才真正明白了我想要做数据科学或机器学习职位需要些什么。幸运的是，许多招聘人员都允许并鼓励你花时间做准备。
但是，这带来一个重要的问题：到底该如何为这个职位做准备？在本文中，我将分享一些拿机器学习offer的策略，从了解市场、建立作品集、到技能提高和应用程序本身来谈。
#1 熟悉机器学习
每一个机器学习工作都是不同的，并且都有不同的侧重点。例如，有的专注于机器学习，有的专注于机器学习管道，有的专注于大数据，而有的专注于深度学习。
但是，任何机器学习工程师（MLE）的核心工作都是机器学习。因此，在申请任何机器学习工程师的职位之前，也请确保你首先是了解机器学习的。着手实践各种机器学习项目，建立你自己的基本系统来了解它们是如何工作的。了解像Spark这样的大数据平台和像Pytorch这样的深度学习库。
达到以下几点，你就知道你已经做好了充分的准备:在你快完成机器学习的准备的时候，你应该能将一个业务问题转换为一个机器学习系统。理想情况下，你应该能够设计一个端到端的系统，其中包含数据的收集，探索性的数据分析，功能工程，模型评估，模型测试和部署。
#2 创建一个机器学习作品集
在Github和Kaggle上给人留下印象
仅仅是获得面试机会，都是申请机器学习工程师职位的巨大挑战。那么，如何让公司发现你?又如何让自己脱颖而出?
答案之一是，发挥你的技能去创建并完成项目。尝试许多新的趣味性项目，并使用像Kaggle这样的资源来找灵感。而参加论坛讨论是另一种受益满满的途径。在推销自己的同时，你又能向他人学习，与他人讨论。
尽可能的发挥创造力和积极主动性。在GitHub上建立个人资料页真的很有帮助，编写大量代码，并解决各种问题。自己一个人可能很难找到这些东西，但参加Kaggle比赛会是一个很好的开始。
做编程项目是建立作品集的另一种选择。在最开始时，我会做一些自己喜欢的或者那些我感兴趣的项目。有一段时间我会试着自己写一些游戏，但现在我经常会通过实现论文中的系统来理解它们的理论。理解理论是一回事，而写代码和实现系统则是另一回事。在你申请机器学习工作时，要确保这两点你都能做到。
#3 提高你的编程技能
很多公司在其面试过程中都会进行多次编程测试。到目前为止，这还是准备工作中最关键的部分，因为即使是做机器学习，最终也还是个工程师。虽然给人感觉这是寻找合适人选的次优过程，但它仍然是当前结构的一部分，所以如果你想作为MLE工作，你将需要理解工作领域相关的各种数据结构和算法。这里有一些建议和资源可以给你提供帮助。
如果想了解数据结构的基础知识， Gayle Laakmann McDowell的《Cracking the Coding Interview(破解编程面试)》一书包含了许多的准备技巧。这是一本简明扼要的书，其中包含了足够的信息来应对编程面试。每个数据结构都在2-3页间进行了解释，并附有练习题，可以加深理解。
我还建议你根据自己的喜好、经验等，创建一个需要准备的主题列表。举个例子，我的列表是这样的：
数据结构：数组（Array），Stacks/Queues，字典(Dictionary)，树(Trees)，Heaps，图(Graphs)。
算法：排序（Sorting），分治法(Divide-and-Conquer)，动态编程/记忆化(Dynamic Programming/memoization)，递归（Recursion），二进制搜索（Binary Search），广度优先搜索/深度优先搜索（Breadth-First Search/Depth First Search），树遍历（Tree traversals）。
理想情况下，准备到最后，你应该已经阅读了所有必要的主题，并在Leetcode这种地方练习了一些简单和中等难度的问题。
#4了解大型系统的工作原理
在公司工作，创建端到端系统的同时，要牢记如延迟，可维护性和可测量性等因素。因此，很多公司会把系统设计作为面试过程的一部分。他们想评估你对他们系统的理解程度，以及有没有可能改善他们的系统。为此，问题可能会涉及以下方面：
- 你会如何设计Netflix?
- 你会如何设计Youtube?
- 你会如何设计Twitter/Facebook 推送?
这些问题看似复杂，但当你开始准备的时候，它们的答案是相当开放的。另外请记住，没有一个答案是错误的。网上有很多帮助准备工作的好资源，但我想特别提出其中两个：
- Donne Martin的《系统设计入门（System Design Primer）》:这是任何准备系统设计的人都至少应该学习一次的资源。它在性能，延迟，可测量性，可用性，吞吐量，一致性，CDN，数据库，缓存，负载平衡等基本主题上都有出色的讲述。
- Techdummies：虽然Youtube上有很多关于最受欢迎和最大型服务(Netflix, Youtube, WhatsApp, Facebook, Gmail, Amazon等)的系统设计视频，但这是我经常参考的一个频道：https://youtu.be/umWABit-wbk
最后，最重要的是理解某个特定系统在最基本的层次上是如何工作的，如何设置它来减轻各种故障，以及该系统是如何为大量用户工作的。通过这些构建模块，你能展示自己真正的系统设计能力。
#5 怎样开始申请机器学习工作
如果你对数据科学很有信心，了解数据结构，知道各种系统是如何工作的，而且已经建立了一个很棒的作品集。那你应该怎样开始求职呢？这是一个基本问题，但很难有实际的细节可以回答。因此，如果我向我朋友就找工作提出建议，我将给他们建议以下流程：
- 研究并列出你的公司：首先要研究并列出提供你想要的职位的目标公司。
- 试着让别人内推：如果你有朋友或同事在这些列出的公司工作，试着让他们帮忙内推。
- 不要完全依靠你的推荐人：如果没有认识的推荐人（即使有），也试着和该公司的人力资源代表联系，或通过LinkedIn联系招聘人员。我建议每家公司至少联系3到4名招聘人员，这将增加你得到回复的机会。
- 按喜爱度对公司进行排序：从你接到的面试电话中，尝试按兴趣最小到兴趣最大的顺序对公司进行排序。例如，如果你的目标公司是Google，那么尽量把Google面试留到后面。这样前面的面试也能成为你最重要面试的练习机会。很多公司都会有一段冷静期，所以你不要浪费这个机会。
- 持之以恒：如果你成功找到了工作，那就太好了！但事实可能是你还没有，这种情况下，你可以从列表顶部从头开始。不要气馁！
# 结论
本文列出了我是如何为机器学习工作的面试做准备的，以及我为目前的工作做了哪些研究和准备。正如我一开始所说的，这不是一个简单的过程，所以，重要的是要付出时间和耐心。
不要放弃希望！专注于学习，每天提高一点点，这没有捷径，每个人都是如此的，所以你必须坚持下去。毕竟，只有通过一次一小步，一步接一步地走，你才能走的很远。所以，下定决心，坚持下去，好的结果一定会到来。
感谢你的阅读。
原文作者：Rahul Agarwal
翻译作者：Lea
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/5-tips-on-how-to-land-machine-learning-jobs-8eb5c1c3ee95
