来源：Reddit
编辑：瘦瘦 好困
【新智元导读】Reddit机器学习板块的一个热帖引起了网友的热议！本科毕业，没有机器学习背景，这位小哥在blog分享了自己的实战经验：从自学ML到拿到Deepmind的offer。
一个小哥没有MLPHD，没有MLMaster，甚至没有任何类型的MLDegree—仅凭在EE上获得的学士学位，就从 「DeepMind」get 到了一份研究型工程师的工作！他在Reddit的论坛上分享了自己的经历，他是如何让在没有任何特别优秀的学术背景下，成功找到一份研究工程师的工作的。文中，他分享了一些关于「他是谁」的背景以及到目前为止的学习经历！从把「机器学习」作为是副业到Deepmind的专业RSWE。尽管没有扎实的基础和优秀的学术背景，但却在短时间内实现了自己的目标。同时，他还附加了很多从2018年第一次接触ML到现在积累的相关课程链接，以及当前ML（例如 GNN）的最新研究进展。最后，他和大家分享了自己从前期准备到后期面试DeepMind 的详细过程。如果你也想get到自己满意的那份工作，就跟着我一起去看看吧。全文他强调自己不是一个有「计算天赋」的人，凭着对机器学习的热情，「从自学软件编程，完成Andrew Ng的所有Coursera课程，到研究专业论文，参与微软的ML夏令营」，被派驻到「ICCV2019」会议，在微软展台演示HoloLens2，并成功转正ML工程师。所以，是发生了什么事情？让他的心态发生了改变？又是什么push他努力学习和工作，成功转型的呢？他在网上分享自己的经历，参加微软的公开演讲。相机，照相，反光板，这些东西打破了他的舒适区，日积月累，他学会了公开交谈（面试的必备技能）以及基本的数学知识（专业技能），得到了这份完美的工作。好吧，你可能会说：嗯，故事很励志，但是没有干货啊。https://gordicaleksa.medium.com/5-tips-to-boost-your-learning-d6eb5edfe6d以AI为例，内容涵盖「输入模式」和「输出模式」的周期学习模式。输入模式：摄取信息。目标是对子领域（博客、视频）的结构有一个高层次的理解，或者对手头的主题（研究论文、书籍等）有一个深入的了解。输出模式：分享在输入模式期间积累的信息。第一步，教别人！创建分享文件，如YouTube视频、GitHub项目，和blog 。以及在 LinkedIn 上高频率的更新。当然，Twitter和Discord也需要涉及。做完这些工作后，别忘了，在macro的末尾附加几篇原创blog，总结所写的内容。这将帮助你更好的将干货用到实际工作中。不需要多么深入。你只需要学习NST (Neural Style Transfer)、DeepDream、GANs (Generative Adversarial Networks)、NLP & transformers、Graph/Geometric ML、RL (Reinforcement Learning)......首先，你要做的是，阅读大量的研究论文，开发3个不同类型的projects，然后Github开源，在YouTube上建立一个NST播放列表。准备工作差不多就可以结束了。紧接着，完善PyTorch专业知识，学习CNN和优化方法，提高演讲技巧，阅读研究论文，做到从里到外全面提高SE技能。阅读blog，分析DeepDream子版块，并探索各种代码库。你可能会发现，多数原代码是用Torch和Lua编写的。为了解决这个问题，你可以切换到 Linux，让它来为你工作。过程有点艰难，不过你可以学到很多东西，最终，你可以使用自己的代码生成一副令人着迷的图像。你需要做的很简单，就是阅读所有基础论文以及其他不太相关的论文，并尽自己最大的努力，尝试Vanilla Gan，CGAN（条件GAN）和DCGAN模型。- 在每个macro的末尾附加一篇blog ，总结自己所学到的知识。
- 阅读论文时，随时在YouTube上记录它们。通过这种方式，你会学得更好，也会帮助到更多的人。
- 在macro中间开源一个project。在那之后，你会发现，你读过的所有paper都变得有意思了。
想要了解BERT，想要了解GPT庞大的家族系谱？Transformer可以帮助你，但首先你需要开始使用Transformer和NLP。如何开始使用？你先了解一下Sequence-to-Sequence model，例如，谷歌翻译在2016年开始使用这个模型，它是采用一系列的序列并输出了另一个项目的序列的过程。
https://gordicaleksa.medium.com/deep-learning-journey-update-what-have-i-learned-about-transformers-and-nlp-in-2-months-eb6d31c0b848
首先，你需要了解Graph ML。简单地说，Graph ML就是处理graph数据的关于机器学习的分支。graph有很多种类，我们可以有有向graph和无向graph，多重graph和超graph，有或没有自边的graph......常见的包括图分类/回归和节点/边分类/回归。如果你学过social media网状图，你就想象social media是整个graph，图中的每个节点是推文，而您想要推出某条推文传播假新闻的概率，您的模型就会将 0 到 1 之间的数字与该推文相关联，这只是节点回归的一个示例。这部分内容，你要了解的实在是太多了，AlphaGo、DQN、OpenAI......https://gordicaleksa.medium.com/how-to-get-started-with-reinforcement-learning-rl-4922fafeaf8c最后，补充一句，别忘了在One Note中做笔记：- 开发了一种眼镜检测算法，作为HoloLens 2设备上眼球追踪子系统的一部分。眼球追踪子系统的全部意义在于预测用户的眼睛注视向量，并实现与全息图的本能互动。它还有助于为特定的用户显示正确的图形（每个人的眼睛不同，因此IPD也不同，等等）。
- 利用视频编码器在各种VR/MR设备上增加注视点（Foveated）渲染功能。这样就可以为设备省电，因为不需要渲染视野以外的内容。并最终读完了关于H.264编码器的整个参考手册。
- 在PyTorch中从头实现了一篇研究论文中的想法。这也是学习PyTorch的过程（2019年底到2020年初）。
- 编写了各种脚本，确保标签器正确工作，开发了内部指标管道的一部分，处理了渲染和改进了合成数据，做了各种量化和perf-vs-compute实验，等等。
- 指导了ML夏令营的学生，并举办了关于CNN的研讨会。
总的来说，就是1.5年的机器学习速成，1.5年正常速度的机器学习研究以及1年的软件工程速成。兴奋激动ing，你终于打开了「DeepMind」的大门。紧接着，你步入了遥遥无期的「找工作」模式。这位博主也分享了她的亲身经历。在LinkedIn上联系Petar。其次，在ICCV19会议期间，遇到了其他很cool的DeepMinder，比如Relia（他在牛津与 Andrew Zisserman 教授一起攻读博士学位）和Jovana（也是牛津女孩)，所有的事情让他的旅途变得更容易了！马不停蹄，他向Petar和Relja明确了自己的意向，开始申请 DeepMind，并询问他们有关如何准备的详细步骤！辗转回到LinkedIn上，联系了招聘人员（当时并不认识），并询问是否可以用他的 LinkedIn、YouTube、GitHub来取得面试机会。他在此告诫求职的小伙伴，网络很重要！通过网络，与自己要求职的公司建立真正的联系，问问你能为他们做什么，而不是他们能为你做什么。第一步，研究你的每一位面试官，了解他们正在做什么，例如，你可以查看他们社交媒体（微博，微信）中的资料，阅读他们的文献。然后，研究你的个人简历。深度思考你所列举的每一项经历，无论是教育经历还是工作经历。如果时间充裕的话，还可以做一些模拟interview。大致了解企业文化，例如其核心团队正在做什么，你到底能为团队做什么「转到公司官网查看。
准备专业知识，大致了解行业的基本概念，例如阅读基本的教科书。
面试环节：与招聘人员聊天，他们可能会问你「你喜欢公司的什么？为什么选择我们而不是其他公司？你最喜欢的核心项目」了解你到底能为团队做什么」。
有网友调侃道，第一步：在大厂（Facebook、Apple、Amazon、Netflix和Google，也可以包括微软）找到一份软件工程师的工作；第二步：开始写博客。作者表示，任何做了一段时间的竞争性编程的人都能在FAANG找到实习或者工作，甚至高中生都可以。只需要坚持1年的算法和数据结构（或许再加上系统设计和其他的）。参考资料：
https://www.reddit.com/r/MachineLearning/comments/q2ab5p/d_how_i_got_a_job_at_deepmind_as_a_research/
https://gordicaleksa.medium.com/how-i-got-a-job-at-deepmind-as-a-research-engineer-without-a-machine-learning-degree-1a45f2a781de
相关素材