哎，大家晚上好。呃，这个我是今天的这个讲座的 host，我叫王哲，我是在 Big Tiger 负责课程开发的工作。当然，我们今天非常有幸的，呃。请到了这个我们凯文老师来给大家做这个呃 AI 求职方面的讲座的分享。当然，首先跟大家确认一下吧，就是大家现在是否看到的是我们的这个。全屏的 PPT，如果是的话，麻烦在 QA 环节，呃，打一个一，当然也算给咱们热热身啊，让大家知道这个待会儿提问主要从哪个通道，就是在你的 Zoom 直播里有一个一的环节。哎，非常好，我们看到很多同学就已经。呃，都都看到了。好，那我们今天就呃，我们现在就开始今天的讲座。
呃，这个呃，首先 AI 是个很火的话题啊，所以当然我们就这个现在有越来越多的资本投进来，有越来越多的公司建立，当然也伴随着越来越多的岗位，当然也就伴随着这个这个领域的求职。当然我们呃这个。非常荣幸能够请到 Kevin 老师来今天给大家做这个分享。那么首先我们就请 Kevin 老师，呃，给大家这个呃来介绍一下自己，呃，介绍一下自己的背景吧。好吧，哎，大家好啊，我呃大家叫我 Kevin 啊，OK，我在灵犀云工作现在。
那么呢，呃，我之前其实其实是学过很多专业啊，我。啊，就是各个方面都有都有学过，然后到了博士阶段开始做一些机器学习方面的研究和啊一些学习吧。所以，呃，我知道今天有很多朋友过来，也是是想换个想转一个方向，往这个 AI 的方向这个求职，或者是啊这个刚刚毕业的同学，那么我觉得在这方面，我和大家应该有一些有很多这个相同的这个经验吧。那么希望可以给大家分享一下啊啊，那么这个。啊，自我介绍就到这里。
好，再次感谢这个 Kevin 老师啊。那么，呃，就那介绍一下今天大概咱们会 cover 呃哪几个大的 topic 吧。当然，呃，同学们随时有问题也可以在 Q&A 里提问。对对。呃，那么今天主要是讲一下这个 AI 求职到底有哪方方面面的一些内容了。那么当然，刚开始要讲一下这个，呃，我我们这边定义说 AI 工程师啊，或者是 AI 相关的岗位啊，到底是什么，到底做什么。
那么，另外呢，就是说啊，既然想这呃想去做这个岗位，你得知道这个核心知识点是什么呀？怎么面试啊？这是一个非常重要的话题了。那么之后就是说这样的项目，哪些项目经历，哪些工作经历？啊，对求职会比较有利。啊，后面我们会给大家看一下这个，呃，有一些这个啊样本的简历，我们拿出来看一下这些，呃，上面有什么是我们啊觉得做的比较好的，有一些是做的不够好的地方。
那么呢，我们来看一下，最后我们要讨论一下关于项目做到什么程度啊，关于学校的 AI 跟我们做的有什么不同啊，啊网上的课程跟我们有什么不同啊这些问题。好，嗯。好，那咱们先就来聊一聊什么是 AI engineer 吧。这个其实就已经很多人就不了解了。还有人，我那天有一个学生跟我说，哎呀，我就梦想就是找一个 deep learning engineer。你来聊一聊这个整个这个 A AI 这个领域，呃，engineer 大概都可能是什么 title 吧？
对，呃，现在的项目来讲，就现在的公司来讲，不同的公司对于 title 的定义其实差别是很大的。嗯，啊。现在比如说呃，跟 AI engineer 我觉得相关的 data scientist，在某些公司里面，其实它 refer 的是呃，machine learning 相关的或者甚至 AI 相关的一些工作，嗯，就是比较常见的，嗯。那么呃，但 data scientist 这个职位呢，岗位呢，这个就是有些公司它的定义是更偏分析，偏更偏那个。BA 有些地方可能更偏统计，有一些地方可能更偏 research 或者更偏这个 engineer。嗯，这个是啊，这个是要看情况，要看公司。
对啊，那第二个呢是比较常见，也呃应该说最常见的就是叫我们人工智能 engineer 或者 AI engineer。嗯。那么他做的事情呢，就是呃，他一般是呃通过通过使用，一般是内部工具，但是也有可能小一点公司可能要自己写算法。然后呢，就是去 support 他们的 business，support business。比如说他们是做预测的呀，那么他们要去做预测，是做这个推荐的，那你得写推荐系统，你得建立模型去做推荐系统。嗯，那么呢，做 further detection，就是说现在其实是一个很火的方向了。
嗯，这个有有有可能，那 CV 就是 computer vision，就是呃视觉，视觉的话现在是一个大火的方向啊。嗯，NLP 也是一样，自然语言处理。和 audio，audio 跟 llp 一般，呃，关联比较紧密。嗯，那这些这个岗位呢，它是它做的事情是它提供模型去 support 一个 business。嗯，那下一个就叫做我们 machine learning platform 经验。
嗯，那么 machine learning platform 是什么不同呢？就是说一般情况下他们做的事情会是提供给 machine learning 经验提供一些工具，嗯，或者是提供有的时候是 implement 一个算法，嗯，或者甚至是做一些优化，做一些算法上的优化也好，代码上的优化也好，呃，这个也是比较常见。越大的公司这两个岗位分的越开，小的公司可能是在一块的，大的公司确实分的比较开。所以这个 platform engineer 其实很多岗位可能也可能被叫做，比如说 infrastructure engineer，对，跟 infra 也也是有可能是同一个 overlap，对，嗯，对对对，这个完全这也取决于公司嘛。
但是 machine learning platform，你显然你肯定是要求你得懂一些 machine learning，对对，因为你要做算法优化，你根本不知道你在干嘛，这是不可能的啊。那么最后一个呢，就是 machine learning researcher。researcher 呢？这个叫呃，这个一般呃，取决于这个公司。有我我我也见过，呃，也也有不少这个。非 PhD 的，就是 learning research，这是有可能完全看你的项目项目经历，对这个呃不好说。但是大的公司来说，那既然是 research 嘛，那当然是要你有研究背景嘛。
对，既然说到这研究 PhD，其实这是就很多同学都在问，就是说这个我要搞 AI 到底需不需要一个 PhD 的 degree 呢？啊，对，这个是这样的，就是说 PhD 其实。必然不是这个必要条件啊！但是呢，呃，我一般我当朋友问到我说这个工作方面到底是这个找工作这个简历为什么？呃，别人不公司不找他呢，我让他反过来想，就是说公司需要的是什么样的人？嗯，那公司需要的人就是，哎，我希望他有相关的经历。没错。
那你说你是个 P R D，尤其是你做了一些相关的跟 machine learning 相关的东西，或者跟这个 data 相关的东西，啊，你过去的那四年五年，你做了这件事情，所以这提供了一个证明，说啊，好，你你有这方面的经历。但如果说你不是 P R D，但是你有这方面的经历。公司是不是真的关心你是 PhD 还是不是 PhD 呢？其实不是特别关心。对，当然你说最核心的那些 research，嗯，那是。但是对于 engineer 来说，它的本质还是 engineer。
对，所以其实就是说，除了极个别、极个别这个 research 比较重的这个职位以外的话，其实大家看到很多 PhD 在做这一块，并不是因为他们 require PhD degree 嘛，就是其实是因为他们有很多的项目。经验对吧？很多 research 做的 project 就跟比如说岗位做的比较贴贴合。对，呃，然后另外呢，就是我们其实前几期我们的学员我知道了就有好几位拿到这个我们手撕 AI 简历的 offer，而且绝大部分是 master。对，然后还有从那个 ME 转过来的。
对，就是说这个其实不是一个必然要求。对对，其实这个也很好理解，而且这个其实类似的问题也很多，其他的这个职位也都有，比如说到底 data scientist 是否需要 PhD 啊什么的。对，其实大量的说，呃，我觉得可能还是说。现在我又再次说，大量资本投进来，大量的公司，呃，这个都应运而生，对吧？其实，在不同 level 的人都是需要的，对，所以不是每个公司都在招 researcher，其实有需要大量的 engineer 来来做这些呃 machine learning 相应的 application，那么肯定就有大量的这个呃非 PhD 要求的岗位。
过来，对对，然后有呃同学回答几个问题啊，有同学说刚才有同学举手啊，其实你不用举手，只要直接在 Q&A 里发问就可以了。有同学说这个 slides 呃会分享吗？就是你联系这个呃讲刚才说讲座群的负责人就可以了。最后我们还会再给出二维码，问相应的人员要 slides 是会提供的。然后现在有同学问说，machine learning 的 platform 是什么？是指可可废啊，TensorFlow 类似的框架吗？
呃。应该说，呃，因为我不知道你说可飞是你是说研发可飞和 TensorFlow 吗？对，大部分公司是，大部分公司它是不会投入这个的，因为 Google 已经做好了，对吗？对，呃，本身的平台更相更相当于是好，这个我就举个简单例子，嗯，你刚刚进公司，你是一个 Machine Learning Engineer，你 Machine Learning 技术知识非常好，嗯，啊。我们现在有一个 business，我们电商，我们要 Amazon，比如说吧，嗯，电商我们要提供东西，呃。
你的 manager 敢让不会敢让你自己来写一个这个算法，让你来自己来做推荐的，对吗？是这个这个，就算你再厉害，他也不敢做这件事情。对，必然是有一个统一化的一个工具一个平台让大家来做这件事情，嗯，对吗？这个 machine learning platform 呢，意思就在这里，他希望给这个。它相当于解放了这个 machine learning，你也让他们有更多的时间去思考问题本身，啊，算法，呃，deploy，嗯，这个代码上的问题，嗯，等等等等，嗯。有有 machine learning 的呃 platform 的团队来解决它，就是这个意思。
对，因为不管说 AI 怎么火，最终还是要在系统上来实现嘛，对对吧？好，那我们下来下面就请 Kevin 老师来介绍介绍，说，呃，要成为一个这个 AI Engineer，到底需要掌握哪些核心的知识呢？呃，主要是这么几块。那么 AI engineer 对吗？我们呃很多同学听到第一个呃，不用跟我说会说哎，我会 deep learning，我懂 deep learning。嗯，但是我希望大家这个 take several steps back。
嗯，那第一点，AI engineer 始终还是 engineer。嗯，编程是少不了的。对，对吗？啊。这个编程我就不用多说了，这个别的一个也有这个相关的，而而且包括这个我就算这个 AI 课上面，我们也会呃给出一点时间，就是说带大家过一下，保证大家基本的东西要懂，对吧？对。而且做项目也是要大量的编程，做项目对，项目有相当大，尤其是这。呃，我的项目就有相当大的这个 workload。
对，OK，呃，第二个是统计数学，这个是跑不掉的。但是这里面有个问题了，我知道大家肯定要问了。对，就统计和数学浩如烟海啊。对，到底要掌握到什么样的程度？掌握到什么样的程度？这个统计书这一本特别厚，对吗？对，啊。这个呢是这样的，就是说数学里面有一些部分你需要掌握，尤其是线性代数你是不可能不掌握的。但线性代数也很多。对。所以这个我在课上我会说，就是说这些部分，有一些部分你是核心要掌握的，回家去去看。这个我课上不会跟你说，但你回家要去看。
对啊，但是有一些部分呢，你可能就会跳过，你就不需要掌握。对对，这为什么不需要掌握呢？是因为它和我们要学的东西并不紧密相关。对，但是显然无论是什么，学得多总是没错。但就是说这个核心的部分，这有一个核心的 list。这个是，这个你必须要知道的。这样就是可以更多的提高你的学习效率吧？对对，把时间用在最重要的地方。
对对。那第三个，机器学习基础了。机器学习基础指的是什么呢？就是说有一些东西，很多同学，我相信你们可能是学过一些，但是呢。呃，你学的那些东西呢？如果是课程学的，有一些这个，如果你课后深入挖掘了，可能会好一些。如果没有的话，其实是不一定够的，因为只知道名词或者只知道某些算法，啊，大概什么意思呢？一般情况下，无论是在工作中还是在面试中，都是不大够。
嗯，这个也是呃，我，我们这个课的一个重点嘛，就是说希望给大家把这个核心的东西、重点的东西提出来。就我们因为这个课毕竟比较短，不可能说把我们不是开大学对吧？不可能把所有的这个方方面面都 cover 到，但希望是挑出重点。嗯，那最后呢，就是说，哎，你知道这些方面了，如何体现出你比别人更好呢？对，你在推荐系统啊、NLP 啊、Computer Vision，就是在跟机器学习相关的这些方面呢，你有一些专业知识基础。
对，呃，比如说推荐系统，你得知道那些名词，你得知道大概这个系统是怎么 work 的，对吗？对，呃。这个如果比如说推荐系统好多算法，你就知道一个，可能就不够，可能就会有这个问题。那么，呃，我们在课上面确实会讲更多这个方面的内容。对，就是这个 application 的 domain knowledge 还是非常重要，而且其实也没有那么多的方面，对吧？其实基本也就是这这这几大类了。但几大类你只需要懂，你只需要在一方面有，取决于你你想做，就是要有一个侧重，对吧？
这样，呃，找相应的这个 domain 的工作就可以了。对，有几个同学说，老师能不能分享一下数学或者说统计和数学的核心内容啊？可以，我们简单讲一下，简单讲一下，因为这个东西讲的就没完没了。对，统计啊，比如说一般情况下会考贝叶斯，嗯，呃，贝叶斯总是要考一点，对吧？这个是跑不掉的。那贝叶斯跟母生理论有没有关系呢？呃，学到一定程度你就知道其实是有关系的，对吧？啊。这个我就不深入讲了。
然后呢，数学方面，我讲个简单的例子，非常简单的例子。你呃，一般情况下面试会面到说，哎，你最喜欢的算法是什么呀？那有些人会说是 SVM，啊，支持向量机。好，支持向量机能问什么？很多时候就来，哎，那可以了，那咱们就来吧。你把那个推导给我看一遍，好，推导看一遍。其实推导很简单，但是你得知道这个优化，这个奥 optimization 这个最简单的这个优化到底是怎么写的，对吗？
对。那这个东西就是一个数学的东西。是。但是优化算法一本书那么厚，嗯，一阶、二阶、三，一阶、二阶方法那么多，嗯。你从哪里学习呢？对吗？这就是一个问题，所以，我我指的统计和数学呢，就是指和机器学习相关的这个部分。嗯。这所以当然比这个要多了，这个这自然不可能就是这两个了。真的，我就举个例子是这样。对，所以就是，呃，就引出来，其实就是说，所谓的这个核心知识又分可能不同的方面，一个是你工作中，呃。要用到的核心知识，当然就是说你你理解了，肯定对你工作有帮助。
还有一部分是可能直接就会在面试中被问到的，对数学问题。那那当然就是首先就就是。无可争议的，必须要搞懂的，否则直接面试就挂了，对吧？是，对，好。那么，那么就说这个掌握了这些核心知识吧。当然，其实我知道肯定想掌握其实是很难的一件事儿啊。就是我们掌握了以后，我们可能就要去考虑比较多的是，那到底面试的时候是怎么考？对对吧？呃。就请开文老师相应说说。
当然，这个这现在我们屏幕上的这四个问题，可能是大家比较经常会问到的问题了。对，这个主要是基于我面试的经验哈。对这个。呃，代码方面肯定是要有的，因为就像我说的，这个 AI 工程师本质上还是工程师。对，那么呢，这个代码的要求，如果你是 AI 工程师，你得到的福利是什么呢？你面这个岗位得到福利是什么呢？Coding 不会特别难。嗯，Coding 一般到呃，Easy Code 到 Medium 就差不多了。
嗯，为什么呢？因为它有。他毕竟还要问你这个 data mining machine learning 的东西嘛，对吧？对，所以这个代码会特别难。考算法推导嘛？我理解的意思是考不考 machine learning 的算法推导？嗯，啊。答案是考，这个是。跑不掉的，但是呢，他不会说问你一个你没听过的，嗯。一般情况下呢，是你在简历上写了什么，嗯，他再挑一个考你，嗯。或者是他问你最喜欢哪个，能能能能给个例子吗？
嗯，给个例子，比如说很简单，我记得我上次有那个同，有一个人在 LinkedIn 上问我，说，哎呀，那个我我我怎么样怎么样非常好。然后我就说，那我问你吧，那个我说你最喜欢的算法是什么呀？他说是 Random Forest。再说是 random forest，那好，那 random forest，那我就问，我说 random
很多人觉得随机森林特别简单，但面试官会问是否需要交叉验证。有人因此懵圈，认为大家都需要，但实际上随机森林不需要，这是原论文中专门写到的点。算法推导也是考点之一，比如Boosting的比例、Post Trapping覆盖的训练集百分比等。面试官可能会让你写出Gini Index的具体实现，这属于较简单的推导题。
四十五分钟的面试不会考特别难的算法推导，但会考察你对算法的理解深度。仅会使用库是不够的，必须掌握底层逻辑。机器学习理论问题通常集中在流行且核心的概念上，例如偏差-方差权衡（Bias-Variance Trade-off）。这是课程中的重中之重，即使忘记其他内容也不能忘了这个核心概念。
偏差-方差权衡是机器学习的核心理论，会延伸出许多算法设计问题。面试官要求你在黑板上推导这一过程是正常的难度水平。理论问题的核心还包括过拟合、交叉验证等基础概念。面试通常从简单问题入手，不会直接询问GAN或深度学习初始化这种高难度话题，只有掌握基础才能深入。
关于AUC的意义、精确率（Precision）和召回率（Recall），这些是必问的基础问题。很多人错误地认为精确率和召回率直接用于绘制ROC曲线，实际上AUC才是基于ROC曲线的指标。面试官常问AUC的物理意义，而精确率和召回率的问题既可以涉及编程也可以涉及数学推导。
在代码面试方面，通常没有特定的编程语言要求，只要使用常用的工作语言即可。C、C++、Java或Python都可以接受，用MATLAB则可能不合适。项目经理的提问会根据岗位不同而有所侧重。如果是工程师岗位，他们会先关注机器学习经验，随后可能询问其他相关经历。
这里有一个陷阱：前两年简历上常见手写数字识别项目，后来变成电影推荐系统且都很简单。现在流行简单的深度学习应用或课程大作业，这些项目往往同质化严重。面试官会问得很细节，例如模型选择的原因、设计思路及其优缺点。仅仅复现代码是不够的，必须有独立的思考和评估。
对于非机器学习相关的经历，如网站开发或数据分析，其价值在于体现工程师技能或分析能力。但如果简历上只有这些而缺乏AI相关项目，显然是不够的最关键的问题还是在于与人工智能和机器学习直接相关的项目经历。我们需要讨论如何优化简历，使其更具竞争力以通过筛选。
简历优化的第一个原则是相关性。就像招厨师不需要强调爬山厉害一样，你需要展示做过职位描述中要求的相关工作。例如招聘推荐系统工程师，拥有相关经验远优于其他领域的项目经历。第二个原则是明确性，在展示相关性后，需要清晰地说明项目的目标、执行过程及最终成果。
细节体现在量化结果和对比上，例如相比旧版本或特定方法提升了百分之多少。此外，细节也体现在你的思考过程中，比如尝试过哪些方案及结果如何。虽然这些探索过程不一定全写在简历上（主要写成就），但在现场面试中提供适当细节有助于展开讨论。
诚实是重要的，但可以策略性地隐藏弱点。例如GPA低于3.8可以不写，这是一种常见的隐藏弱点的技巧。每个人都有自己的优势和劣势，你需要在简历中突出自己的优势部分。只要做到相关、明确、有细节并处理好弱点，就能显著提高简历被选中的概率。
关键词的选择回归到相关性原则上。你的技能词和项目描述必须与职位匹配。例如作为AI工程师，应出现“开发”或“构建系统”等关键词。同时需要提及使用的算法，但不能堆砌太多无关词汇。具体的关键词列表将在后续详细讲解，目前需确保核心能力得到体现。
针对学校课程项目能否直接用于求职的问题，答案通常是否定的。无论做到什么程度，仅满足学校要求的项目很难让经理觉得你入职即可上手工作。学术课程的目标是理解算法原理和实现，而非解决工业界实际问题。大多数项目仅是复现某个算法，缺乏深度和应用场景的考量。
如果我是招聘推荐系统的经理，我希望候选人做过完整的推荐系统项目，而不是仅仅实现K近邻算法。项目的程度取决于其贴近现实的程度，越接近解决工业界真实问题越好。工作经历同样遵循这一原则，看你在其中实际做了什么项目。对于缺乏实习经历的博士生或学生来说，这是普遍存在的问题。
没有实习经历时，只能通过高质量的项目来弥补，这是无法回避的事实。关于NLP、CV或推荐系统等领域的面试掌握程度，以推荐系统为例，面试官很少要求背诵算法公式。更重要的是系统设计能力，例如如何处理线上用户的短期行为反馈、是否立即记录以及离线模型的重训练策略。
工业界模型训练耗时较长，如六七个小时很正常，因此不能频繁重训复杂模型。面试官会考察你如何处理这些工程挑战，而非仅仅背诵协同过滤公式。这体现了学术界与工业界的差距：学术关注“为什么”，工程关注“怎么做”及具体实现方式。
关于编程语言，除了Python和C++外是否需要其他语言？对于AI工程师岗位，SQL通常不是必须的。但如果面试数据科学家职位，可能会涉及SQL。即使工作中不直接用SQL，也可能用到其他数据提取工具。建议至少掌握最基本的SELECT FROM语句即可，无需深入钻研特定岗位的SQL细节。
处理大数据的经验在工业界非常看重，特别是超出单机内存容量的数据规模。学校项目通常缺乏这种硬件条件和大体量数据的接触机会，因此不必过于焦虑。虽然不需要精通MapReduce或Spark等底层技术，但如果能在深度学习课程中接触到大规模数据处理经验并写入简历，将是加分项。
最后来看一份具体简历案例：该候选人拥有EE硕士学位，有后端工程师实习经历及学校机器学习课程项目。他接受通用SDE岗位但更倾向AI方向，目前简历通过率较低。根据之前提到的相关性、明确性等原则进行分析：他的工作经历中大部分时间在做数据提取设计，同时也涉及前端Bootstrap和后端PHP开发。
这种经历的相关性较为一般。虽然具备全栈能力，但对于AI工程师岗位而言，核心竞争力的体现不足。需要进一步审视其项目经历是否足够突出机器学习相关的深度与广度，以及如何更好地展示其在AI领域的潜力和实际应用能力。
有的是很好的，好。那我们现在来看 machine learning project，啊，第一个 project movie recommendation，然后当我看到 item based，呃，item based，呃，协同过滤的时候。我就知道他其实这个方面做的是比较少的了，为什么呢？因为很简单，因为在我们的课上，item-based collaborative filtering 是我们是我们某一天的code lab的三分之一不到。就是这个项目讲完了，就讲完了。做的就是这个东西，类似的东西。当然，我看到他用了一个比较大的data set，这样这个东西你是自己回去啊。这个嗯，这都是有好几个选项，你可以自己选择的。那么呢，比较相关，但是呢，我们可以看到就是说做的是比较简单的。
那么第二个叫 text generation，text generation 是比较有意思的一个项目。但是我发现一个不是很好的地方呢，就是在于 text generation 它没有写的很明确，说它到底这个项目是干什么，到底要解决什么问题。说的更简单一点，呃，recruiter 也好，面试你的人也好，不一定真的懂。所谓的char R N，事实上我就不知道什么叫char R N。我知道R N，好，大家每个人这个是这个专业方向是有区别的。那你现在你首先要做的事情是，你应该说明白你要实现的是什么，你的目标是什么。用简单的话先说目标是什么，对吗？
然后呢，这个项目说还可以，但这个项目没有数字，没有体现说你啊，到底做了这个之后你是就随便跑了玩一玩呢，还是说你有什么提高呢？这就不知道了。这些细节都都是缺失的。对。然后剩下两个我觉得还可以，剩下两个第一个写的非常明确啊，building indoor loss and fund system with RFID tags。非比较好，没有问题。那么如果说呃，就就基本没有什么缺失。但是我也看到这这主要是一个也一一个一个Web application。
那么如果要做的再好一点呢，你是不是可以想象一下，能不能在这里面插入一些数据分析的部分？因为我最初的时候我做过一个很类似的。这个东西就是拿手机，呃，手机放在人身上，然后人做各种动作，我们可以通过信号来检测，哎，他在他是在走路啊，在跑步啊，在上楼啊，下楼啊，这很简单的东西。但这个你做起来之后就比较完整，包括有data方面的东西，就很好。对，就是所以这里就给大家一个general的建议吧，就是说你在这个pro course呃project experience。
就是你可能上了很多年学，然后就修了很多个course，然后做了很多project，但是其实并不并不是每一门课都是machine learning的课，对吧？但是在之后你其实是学了一些machine learning的方法。其实你可以考虑说，那我在以前做的，比如说就是一个纯的web application，我怎么去增加一些machine learning的东西？这也是提高这个相关性的一个手段嘛。对对，那我们来讲一下，这里面有一些trick，就是告诉大家，这个就跟machine learning关系不大了。但是我也是大家既然都过来听课，我就给大家讲一下啊。
好，呃，第一个问题就是弱点，如何隐藏你的弱点？这里面写了familiar with Java, MyLab, capable of Python。呃，你为什么要这么写呢？对吧？你为什么不直接写Java, MyLab, Python排个序呢？因为你这么写的话，就会有个问题。你别人就觉得其实你不太会这个Java和MySQL对吧？不是，就你不大会Python，不大会其他那几个。但万一我就要招一个会Python的呢？这就很难说了。而且你说傅明烈到底是做傅明烈的，对吧？现在大家说Strong, Strongly influenced。
我们哦，strongly influenced，我们都不知道这个到底是怎么样。你这样写的话就是呃，谦虚是件好事，但在这个方面不需要这么做啊。这个是一个方面，另外一个方面就是我刚刚说的GPA啊，GPA这个啊，相信是好学生。但是呢如果不是那么shining的话，宁愿不写。同样道理，课程也是，你练了三门课。我的理解就是你你就学过这三门课，对吗？因为如果你上了很多门课，你有很多经验，你怎么会列出三门课来呢？所以像这种东西就是弱势的地方要仔细想一想。
热点的地方是可以不写，因为我们有learning project经验，你有工作经验，good enough most of cases。如果说还有什么问题，比如说尽量不要用缩写吧，fec data对于所有人来说都不知道fec是什么。所以你看到F C D了，我不知道你在说什么，我只看到Web，那我证明哎，这个人说不定是写前端的。对吗？就是这样。所以但优势很明显了就是这位同学这个虽然打了马赛克，我还是看到了就是说啊Master Science in Double E。这是一个优势相信我这是一个优势Double E C S区别不大，这是一个优势应该体现出来。
好，好我们来看下一个同学。好啊这个同学呢是统计博士在读对然后就肯定是想找data science呀AI相关的呃还有比较自己比较偏向的NLP这个方向对不对当然希望补充学校可能一些gap。刚才说gap其实我们已经提到的是怎么样gap啊这个同学呢好第一恭喜这位同学因为你是统计博士在读呢呃就像我刚刚说的那么大家Assume你是有一些经验的。你比这个呃呃这个比较年轻的比你更年轻的同学呢肯定是经验更多的。好呃那么首先说相关性呃这里面一个很大的问题就是什么呢这个这位同学他写的非常有写论文的感觉。
就是先说data怎么来再说我们model怎么来然后再选math啊简历不是这么写的。简历是the other way round。简历是刚开始你要用最快的速度告诉那些recruiter，告诉那些给你面试的人因为面试的人也好recruiter也好没有太多时间看你的背包。告诉他这个项目你实现了什么就你最大的achievement是什么这个没有做到这一点那我好我仔细来看一下我会发现啊它主要的research的方向。
它主要经验的方向是做这个matrix completion。matrix completion是什么呢？就是说你有一个matrix然后matrix里面有几个数字是没有的然后呢你得想个办法把那几个数字填起来。大概就这么个意思啊这是一个machine learning方面一个比较有意思的一个方向但是我看到的是第一个就是说哎他好像是做这个方向的。对于recruiter来说他他no idea这是什么对吗？如果你是做相关的可能你知道一点那么你做了第一个项目。
你呃写的非常详细说先怎么做再怎么做再怎么可惜没有看到任何结果没有看到任何这个你achieved的你的human是什么我没有我看到的是你给我一个如何做这件事情。我大概可以重现这个实验但是没有还是结果主要是一个paper的感觉这个是不大行的OK啊而且第一眼看过去我根本就没有办法看明白这是什么东西。好那我们说第二个但是我可以理解啊这位同学这个呃估计这个学术背景还是比较过硬的啊然后第二个也是有同样的问题就是我看到一些关键词啊我看到了k-means。
我看到了recommendation system，然后我看到了video similarity如果我只我觉得哎这个推荐系统好像这个同学是在做推荐系统但是我再仔细看一点呢我就会发现问题。就是说他做的其实是简单的similarity的measure，他没有做更复杂的东西那么这个又说到我们刚刚的那个话题了就是简单的similarity的这些。这个是我们课程是很快会cover掉的部分的这个呃在我的心目中这样的这个项目呢我可以理解你做了一些工作但是呃我很难说从这个项目我可以得出一个结论。
说你对推荐系统很了解或者是你对推荐系统的算法很知道就是这个方法在工业界基本是一个最简单、最最没有成熟。成熟推荐系统肯定没有用这个的，成熟线性有可能会用但只是这个一小部分了它performance显然是从这个以后还有很多很多的方法。所以这个方法就好像linear regression，你能不能写出？你把它写出来这个嗯也有用linear regression。我讲实话给大家讲四十五分钟课是绝对没有问题但是就是说这个就不是很够。
那你需要把它加强，你需要让别人觉得啊你做了一个比较突出的outstanding的东西嗯然后这就是说明确性方面就比较差了。就是说两个项目都不知道在解决什么问题主要是另外就是呃如果你想走engineering方向呢一般情况下我建议简历start with我develop了一个什么东西。而不是说这个细节太细节了然后我们来看看最后我们给出一个什么建议呢就是说最后给出两个建议。第一个建议就是说要不要把自己会的所有算法都列出来？我建议是不要因为你把你的这个你比如说我说你不是在这个models和algorithm这个section。
对你不是说decision tree的pruning，OK I give you that后面又说了“sampling”，“sampling”呃拼写有点问题啊然后又后来说了random forest。就我会理解是你把所有的东西都把它放在一起了然后呃还有一个比如说这个clustering你单独写了k-means和那个和hierarchical。那这个意思是不是说你就会这两种clustering呢？最好的方面就是说在这个模型方面你可以不写这些东西应该体现在你的项目里面OK。你无论如何你不应该就是只说我就会这些在里面挑吧这是不好的你应该在项目里面体现这个是一个比较常见的一个错误。
就是在简历上的错误但是归根结底我认为在这个方面这位同学有很大的潜力可是你的项目第一个项目没有写好第二个项目有点简单嗯好这是这个同学的简历啊。好然后我们再看最后一个同学的那个待会儿说就是其实有好几个同学都问到了就是说这个开狗project到底到底有用没用有多大帮助对因为这个同学的第一个是个Kaggle的project。对这位同学其实很厉害了数学博，五年经验嗯啊Kaggle Kaggle是这样的第一Kaggle还是比较好的这个有时间来做这个东西是非常好的。我个人从来没做过Kaggle因为我没时间但是呢这个把开开课这里面是这么我我是这么理解啊就是因为开课这个东西一方面体现出来你对这个确实很感兴趣。
但是另外一方面也体现出来就是让大家不是很确定的是什么呢就是说开狗这个项目不一定是大家都知道这是个team work就不是一个人的work。当然有可能这位同学是一个人做的我们呃这个我不敢这么说就是从我如果我第一眼看的话会觉得啊他做了开狗，他做了两开狗但是这个一般情况下大家都会就是很多很多人会把开构写在上面OK。那么呃我的建议是第一个建议比较简单一个建议是我你把那个advanced skills放在第一个不要把开构写在第。因为Kaggle写在第一个显得你好像这是你最大成这是你最大成功，这是不对的对吗？你这个你做了研究。
你做了很多项目你的最大成功不应该体现在Kaggle上但是Kaggle很好而且我知道这个同学呢这个上面没写。我知道这个同学我后来看了一下完整版呢，我知道这个同学其实是因为他那个后面那个contest被邀请做talk哦那就是还是非常这个东西。你应该把它写在summary上认为人都是懒得recruiter只看第一页不是不是说只看第一页他第一眼看到什么是什么对吗？你的advanced skills要写在最前面然后呢你这个要写好。
下面我们就我们不过他这个有一个好的点是，他其实是写了percentage当然其实百分之十二可能有点低呃呃你不好这么说但是就是这里面有个问题对吧。也就是说百分之十二就像王哲他不知道情况他觉得低嗯你如果是一个一般同学，他看到百分之十二呃他肯定不能觉得高吧？肯定没有百分之二来的这个厉害对吧对，可能做了很好的一个东西但是呢就是说这我就说到了如果这里面看到我们要体现出来弱点。最好的办法是想办法去这个不说这件事情你就说这个ranking high啊或者是之类的，你去把这个东西给模糊化。因为到了面试的时候大家关心的是你到底做了什么你为什么要这么做你的思路是什么。
对不可能有个人除非你是那个Netflix冠军对吧？不然的话不可能有个人说你这个因为一个开课项目然后觉得你特别好。尤其是当你已经有别的经验了这里说一点就是说呃开狗能不能这个帮助呢？是有一些帮助的但是问题就是开课这个自己单打独斗啊或者team做啊。呃我个人认为是没有说有老师在教的情况下这么帮忙的要好这是呃必然的一个事情那么下面要说一个什么呢？就是说也出现这么一个问题：machine learning（括号）regression、classification、clustering、support vector machine。
Gradient, gradient boosting, energy learning啊这这就让我有一个问题了因为你的SVM和classification不是一个层面上的concept。你要么就写general learning, energy learning, good enough要不然你要实在没办法你也可以写experience especially in SVM, gradient boosting。OK如果你把这两个混在一起那我就第一我觉得这样的concept混在一起就是不对的那第二个我就会觉得啊这个他又把Regression写在上面。那是不是他其实不是很懂呢？就会有这样就是你本来是一个强势的东西变成一个比较劣势的东西了。
呃下面倒没有问题Python很啊很熟悉TensorFlow很熟悉Good呃呃Python那个后面应该有空格好那我们现在说一下项目呃第一个项目因为这两个项目都是Kaggle的项目所以问题比较小。但是呢还是有一点就是明确性上面不够为什么明确性不够呢？不是每个人都知道这个YouTube八AM Understanding Challenge到底是什么。Start with你develop了一个什么系统解决了一个什么问题使用了什么样的方法achieved了什么样的东西这是一个基本的一个flow。包括呃你就算你将来工作了你要给别人presentation你要说我做了什么东西或者是我现在做了一个什么项目。
你不能刚开始就是我们有百分之八吧？你刚开始肯定是我们做一个我们要解决什么样的一个问题这是最开始的东西OK那么下面一个Two Sigma Rental也是一样的道理啊面试的时候大家想知道的一个是你的期望值。但更重要的是你的心路历程是什么你为什么选择这个方法？那边为什么不选另外一个方法比如说看这个我就会问哎你说一个greeting逻辑回归选CNN好啊都都用在一起了我就问你你是怎么用的？为什么要这么用有没有试过逻辑回归单独选？有没有试过逻辑 regression 加上别的什么呃一点transformation
简历筛选的核心在于相关性与明确性。首先，经历需与目标岗位高度匹配，如想做NLP或深度学习领域研究，简历中必须体现相应经验。其次，描述需清晰展示“解决了什么问题”及“如何解决”，避免直接复制粘贴，要体现经过深思熟虑的思考过程。关键词方面，大模型应侧重框架应用而非罗列；算法需针对目标职位选择硬核内容。对于TensorFlow或PyTorch等框架，小公司更看重熟练掌握以直接上手，大公司要求相对宽松。对于在校生而言，了解一个主流框架即可，无需耗费过多时间追求所有工具的精通，因为熟练掌握本质上是熟悉官方文档。
无论走工程还是科研路线，项目经验是简历的基石。仅有课程作业显得单薄，工程师需具备实际工程落地能力，最好能将技术与产品结合。学校项目往往千篇一律、量级不足且缺乏真实业务场景，难以体现竞争力。因此，求职者应主动寻找或延伸项目，避免与他人雷同。工作经历若与AI无关，则需通过高质量的项目经历来弥补不足。整体而言，简历应达到工业界认可的量级，体现解决实际问题的能力，而非仅仅展示知识点覆盖。
针对求职准备，Big Tiger即将推出人工智能工程师直通车课程，重点教授TensorFlow并辅以MXNet。课程内容涵盖工业界级别的六大项目，覆盖NLP（如Chatbot）、计算机视觉及推荐系统等核心应用领域。课程为期三个月，强度大且节奏紧凑，每周结合理论课与实践课，并通过CodeLab进行实战演练。此外，课程还提供面试题精讲、简历修改及模拟面试等求职指导。鉴于AI转行需补充数学基础与刷题能力，课程还配套了专门的基础课视频供学员预习。首节课将于本周末免费开放，感兴趣者可扫描二维码报名。
关于新人如何获取项目经验，GitHub是重要资源平台。面试官高度关注候选人的实际动手能力，而许多在线课程的项目过于基础或脱离真实业务场景。建议新人深入阅读GitHub上高星项目的源代码并尝试复现，这比泛泛学习理论知识更具价值。对于科研背景与AI无关的求职者（如物理博士），虽无直接劣势，但需通过项目证明相关性。仅凭在线课程证书不足够，至少需在简历中列出三个与AI相关的项目，以展示将硬数学能力转化为实际解决方案的潜力。
对于科班出身但从事应用部署工作的工程师，职业发展路径取决于个人选择：是深耕纯算法研发还是侧重工程落地。两者难以兼得，需明确长期目标。在推荐系统领域，角色通常分为提供算法方法和应用模型解决业务问题两类。架构师的设计难点不在于算法本身，而在于系统整体设计思想，如如何处理新物品或用户兴趣突变等场景。对于第一份工作选择“AI研究组”还是“贴近生产的ML组”，两者未来可相互转换，且知识要求逐渐趋同。关键在于明确自己是偏向学术研究还是产品落地，这决定了职业发展的侧重点。
后端工程师转行AI是可行的路径之一。方式包括内部转岗或直接应聘AI岗位。由于后端工程师在工程能力上已有保障，尤其是大数据方向，面试官不会质疑其技术基础。关键在于展示对AI的兴趣与理解，通过项目经历证明掌握相关算法。纯软件背景转生成式AI并不罕见，但需注意避免被固化为“纯软件开发”角色。若通过内部转岗进入AI组，仍需突破技术瓶颈，证明具备核心算法能力而非仅做工程封装。
针对学校项目简历撰写难题，若无法修改原有内容，应尽力挖掘量化指标以体现成就。例如，明确列出准确率、召回率等具体数值（如准确率达85%），或对比不同模型的性能提升幅度。即使项目规模有限，也可通过强调技术选型、性能优化或相对其他替代方案的优势来突出价值。核心是提供具体数据支撑，避免空洞描述，从而在简历中展现解决实际问题带来的可衡量成果。
项目吗？你可以算作，但是如果仅仅是用了这个的话，大家会要求你。比如说不懂的人会问你：“哎，那你把这个GA给我讲一遍是怎么回事？”对吗？但是光这个肯定不够，因为GA跟我们深度学习还是有一点区别。有朋友说刚看到的都是不好的简历样子，有没有好的？今天确实没准备。我应该这么说吧：刚刚的简历有好处也有坏处。我主要讲不好的地方，因为这更有帮助嘛。如果有好的例子请B Tech的同学分享。好简历不能编呀，对吧？你看到别人的项目经验、教育背景眼馋也没用。
咱们课程提供大量Career Service，包括简历修改、Mock Interview等一系列辅导，对大家很有帮助。有朋友问：做了几年Data Engineer是不是挺容易或无缝转AI工程师？其实不是做着做着就转了。你做数据方面说明你可能懂Extraction、大数据，那提高神经网络相关知识和项目经验就可以了。有朋友问中间几年没工作，之前的相关经验要写吗？其实如果Gap Year理由合理，美国人很理解。
之前的相关经验肯定要写，大家不会觉得你手生。有经验肯定比没经验好。有朋友问无人驾驶、自动驾驶很火，想进这个领域简历更看重什么？第一点我没面过这个方向。千万不要把它当成几个人做的小项目，这都是几百人的大项目。你只做某一个方面：如果是Computer Vision就要有CV经历；如果是ML或Data Engineer职位，自然看重对应能力。
因为光说无人驾驶公司做的东西都不一样：有的做Perception（感知），有的做Decision（决策），Focus甚至不同。更不用说进Team后具体做什么了？最简单方法是看Job Description。有朋友问课程还有第二期吗？明年才有上课时间。第一，现在开始的已经是第四期了，不是第二期！我们经过近一年更新迭代、改进才呈现给大家。明年也会有课，但看大家的节奏吧。
这行越来越火，大家看看自己的Priority吧。有朋友问：做Optimization Algorithm的研究项目算吗？优化可以算，没问题。这是General Question但很重要：社招、校招Onsite考察侧重有何不同？是偏向算法还是项目细节？社招跟校招肯定不同，一个有经验、一个没经验；面的Title和内部Ranking也不一样。
校招对某些方面要求低一点，比如System Design、Big Data类似方面要求会低很多。社招如果你干了几年尤其是做过AI或System方面的东西，显然要考得多一点。因为面的岗位不一样嘛！有朋友问推荐系统是用Python吗？其实刚才答过了：现实中百分之百不是用Python。但教学用什么语言呢？第一点，语言不重要对吧？
刚好有朋友问：AI工作是不是要有一些System Design经验？如果是Engineer的话，In General一定会面System Design，这是跑不掉的事实，只是看面什么样的。不同公司不一样。AI工作本身也取决于你：比如做CV识别哪有车、哪没车，实际工作中计算机经验会少一点？但是General AI Engineer肯定要做Design、写System，这是跑不掉的。好的Design Principle即使在你写小模块时也是有用的。
朋友说这个跟你其实有点关系是吧？没关系，是我的PRD（产品需求文档）就是计算化学。原因很简单：我们组本身就是做用机器学习来研究药物开发的，所以偏这个方向我比较顺利。还是那句话：虽然项目经验方面我是通过这个方式得到这些经验的……有朋友直接问到说Udacity Nano Degree有很多实战项目，不知道说服力大不大？我觉得我们在这里不直接评价我们的Companion嘛。
大家去读一读大纲，然后拿给身边真正做Machine Learning的朋友看一看这个项目的量级。再看看我们Big Tiger的课程是什么量级，你自己来判断吧。我们在这里不做评价了。有朋友想了解书：《TensorFlow实战：Google深度学习框架》和另一本《TensorFlow实战》，这两本书是否推荐？有时间就推荐。在这行读书也有好处，但职业初期某本书或掌握某一个框架不要特别Sticked to（执着于）某一个框架。
当我们的课程已经要讲这些东西了，所以你说这两本书哪本好？我也不知道因为我没读过。有朋友问Coding要什么水平才能完成Big Tiger的项目？就拿推荐系统来说吧，Coding要达到To Some的程度：得到你会For Loop就行了。知道If Else是什么？知道Hash Map是怎么回事是最高级了。我特别花时间保证这个东西在数据结构和算法上基本没要求，但你要说不知道Python为什么有个冒号我也很困难。
最低要求我觉得非常有信心：在我们提供的很多基础预习视频（包括Python基础）之后，你刚才说的很多知识点都Cover了。看完肯定做这个系统没问题。有朋友说LinkedIn的Internal Refer（内推）系统，我觉得我们就不回答了吧！有朋友问在哪些平台上找项目？除了GitHub、Kaggle，嗯。看是你要找项目做还是找别人做的项目？其实看自学能力了：有的人上GitHub直接把别人的项目拿下来跑着玩，那GitHub就是最好的资源。
但如果你需要Tutorial课程带着你做项目，或者Kaggle这种Motivate做项目的平台（提供数据集非常好），那有很多Source吧。有朋友问到：只用Python写了一些Web Coding能力还很弱，直接来上课会不会太不适合？其实如果你所谓的“写Web”已经能用Python做一个Web Application的话，应该是够了。从Engineering的角度来说应该够了。有朋友问做深度学习培训讲师有前景吗？当然觉得有前景了！
现在AI方面岗位太多了，伴随的Training也有很多机会。太火了嘛！In General很有前景。PhD的事情就不回答了，因为之前已经说了。有朋友问有没有关于Machine Learning的技术博客？很多朋友想走读博客路线，Kevin老师推荐吗？我一般有时看但不关注某一个人的个人品牌而是讲的内容。有一个很好但我忘记名字了，之后把这个信息留给二维码的Wendy老师吧，大家感兴趣可以问他。
有朋友说工作太忙了又想上课怎么办？看是忙于什么嘛！忙于AI的工作开玩笑吧，这个问题太General。你的PR、时间Priority看怎么排？总的来说还是要做你自己喜欢且认为有前景的工作吧。如果现在工作不太满意，肯定应该寻求转变。即使不管你现在做什么本行也要不停学习，不学很快被淘汰。既然要学习：是本行继续还是了解AI搞清楚怎么回事再决定转行？我觉得肯定应该了解一下。
有朋友问：AI Machine Learning方面的Intern怎么找？跟Full Time有很大不同吗？确实讲区别不大，但如果你背景相似当然能往那个方面找很好。如果背景不相似建议哪怕找不到这方面Intern，先找一个General Intern。因为In General这个Intern你可以写成Working Experience，真正在工业界工作过也是大加分项。有朋友问：上你们课之前需要哪些基础知识？刚才Coding已经说了，另外可能需要把高中高三学的解析几何学一下：两个向量Dot Product是什么你总得知道。
课程也会指出要掌握哪些知识嘛！朋友问：参加这门课做的推荐系统是否可以在简历上找工作？是否Powerful足够吸引雇主？首先我们不只是一个推荐系统，而是三大方向NLP、Computer Vision、推荐系统都涉及。这个推荐系统的复杂程度绝对超过我们刚刚看到的任何一个，这是一方面没问题。另外我的建议是：我提供一个很好的Starting Point，也会告诉大家哪些地方还可以自由发挥、再发展。
我希望你们从这个方向往下走把它做得更好、思考更多。In General回答一下Big Tiger的项目吧：这位同学问到课上学的系统做的这个项目能否写在简历上找工作？In General这是我所有老师设计项目的Minimum Requirement。我自己也教课，学生进LinkedIn、Google、Facebook的也很多。这些人能进去不是完全因为我们上了这个课，但我非常骄傲地说：这些同学面试中被问到项目都是我们课上带大家做的。
这就是敢于号称我们的项目都是有工业级别的项目经验了！有朋友问：国内外Deep Learning应用领域水平上有什么差距？这个问题太大。大家觉得阿里巴巴的Deep Learning算国内还是国外水平？阿里在这有Research Center，京东、腾讯、美的各种公司都在，百度更不用说了。那它到底算是国内的AI水平还是国外的？有朋友说考虑学好以后回国内发展好不好？首先我们有好几个学员在AI课程毕业后回国还没找就找到了机会！在杭州、北京有很多非常好的公司。
回答朋友非常直接的问题：AI零基础上完这门课是否可以直接找AI工作？有多大可能性找到？首先可能性没法量化不讨论了。明确说：如果上完这门课接下来什么都不做直接找AI工作，我觉得是不可能的！必须要负责任地说这一点。你不可能依赖这一门课扭转命运也不可能说学这个就全部学会了。但是课上老师会指出你以后项目怎么拓展、知识怎么去学，包括求职路径甚至职场进阶路径给你指个方向。
说多久可以找工作？很多同学上着课就找到了，但因为他所谓的“AI零基础”：是Coding也完全零基础还是数学完全零基础？其实很难量化。很多朋友有一定基础，如果你肯定是你的零基那就多花时间补基础做拓展学习。我个人非常看好AI领域有这么多机会，只要你展现工程能力、项目能力和学习能力工作机会还是很多的。好！时间远超了哦问题基本回答差不多了，请朋友们填调查问卷帮助打造更好的讲座满足大家想了解行业、求职的需求。
感谢大家时间！如果对课程有兴趣欢迎扫屏幕二维码联系我们的课程组老师Wendy咨询。再次感谢大家！如果身边有感兴趣的朋友也欢迎推荐我们的视频，因为我们这个接下来也会放在Big Tiger网站上。把今天的视频推荐给身边的朋友吧！好再次感谢大家。