來源：Datawhale
這是一篇關(guān)于如何成為一名 AI 算法工程師的長文~
經(jīng)常有朋友私信問，如何學(xué) Python 呀，如何敲代碼呀，如何進入 AI 行業(yè)呀？
正好回頭看看自己這一年走過的路，進行一次經(jīng)驗總結(jié)。
來看看你距離成為一名 AI 工程師還有多遠吧~
?具體內(nèi)容：
- 我是因為什么開始接觸敲代碼
- 人工智能/機器學(xué)習(xí)/深度學(xué)習(xí)
- 自學(xué)如何尋找學(xué)習(xí)資料
- 如何選擇編程語言/框架
- 校招/社招/實習(xí)/面試經(jīng)驗
- 一碗雞湯
?聲明：
- 本篇內(nèi)容均屬于個人觀點，建議采納對自己有用的經(jīng)驗，如有疏漏，歡迎指正，共同進步！
- 2017 年 5 月開始第一份實習(xí) / 2017 年 7 月開始學(xué)敲代碼 / 2017 年 11 月碩士畢業(yè)
- 擅長的編程語言：R / Python
- 不花錢報班，全靠自學(xué)，最初是因為窮，后來發(fā)現(xiàn)「開源」的世界真是太美好了！
我是因為什么開始接觸敲代碼？
我的第一個模型是什么？
由于本科是數(shù)學(xué)，研究生是量化分析，第一份實習(xí)是一家金融科技公司，開始接觸所謂的「Fintech」
第一個任務(wù)就是做客戶的信用評分卡模型，目的給每個用戶打一個信用分?jǐn)?shù)，類似支付寶的芝麻信用分。這是銀行標(biāo)配的一個模型，最常見最傳統(tǒng)的算法用的就是邏輯回歸。
在課堂上使用的工具是 SAS，SPSS，屬于有操作界面的，菜單非常齊全，只需要鼠標(biāo)點一點就能建模，很好上手。但是 SAS 這些要付錢的，年費還是相當(dāng)?shù)馁F，所以深圳大部分公司進行數(shù)據(jù)分析和建模工作都選擇開源免費的 R 語言或者 Python。這就體現(xiàn)了掌握一門編程語言的重要性。
雖然說是建模任務(wù)，但是前三個月跟建模基本都扯不上邊。都在做數(shù)據(jù)清洗，表格整理（攤手），都在 library 各種包，用的最多的可能是 data.table 和 dplyr。沒辦法，很多模型都有包可以直接調(diào)用，是最簡單的環(huán)節(jié)了。
其實一開始，我一直在犯很低級的錯誤，各種報錯，沒有 library 啦，標(biāo)點符號沒打?qū)玻鞣N很 low 的錯誤犯了一次又一次，而且連報錯的內(nèi)容都不會看，不知道怎么去改正。如果你也像我一樣，真的請不要灰心，我就是這樣走過來的。對著錯誤一個個去解決就好了~
當(dāng)時什么都不知道的時候，覺得真難呀，每個環(huán)節(jié)都有那么多細節(jié)要照顧，要學(xué)的那么多，做完一個還有一個，還要理解業(yè)務(wù)含義。但是當(dāng)完整的做一遍之后再回頭，就會覺得，其實，也沒那么難嘛~
敲代碼容易嗎？
因為我不是計算機專業(yè)的，所以基本上屬于沒怎么敲過代碼的那種。
后來發(fā)現(xiàn)程序員也有好多種類的，前端后端等，因此敲的代碼種類也很多，才會有幾十種的編程語言，下圖是一些這幾年的主流語言。
實習(xí)時我一直被隊友嫌棄很蠢，而且一開始敲的東西怎么也運行不通，運行出來的都是鬼結(jié)果。有 n 次想放棄的念頭，「我干嘛一定要敲這玩意兒？」，但也有 n+1 次想堅持的理由，因為我真的喜歡我正在做的事。為什么用「堅持」，因為真的不容易。不難，但真的需要有耐心。
一開始我的狀態(tài)就是一行行代碼的運行，一個個命令的熟悉，反復(fù)看，反復(fù)運行。
- 從敲出第一行代碼到敲出第一個完整的模型花了 3 個月。
- 學(xué)習(xí) XGBoost，光是理論學(xué)了 3 個月，因為前期鋪墊要學(xué)的還有 adaboost/gbdt 和各種機器學(xué)習(xí)的知識模塊。
- 從 R 切換到 python 花了 1 個月。
- 從機器學(xué)習(xí) (machine Learning) 切換到自動機器學(xué)習(xí) (Auto Machine Learning) 花了 2 個月。
- 從 NLP 零基礎(chǔ)到搭建一個智能問答機器人花了 1 個月。
從一年前的「什么是過擬合，什么是交叉檢驗，損失函數(shù)有哪些」到后來參加全球人工智能峰會時都能聽懂的七七八八，會覺得，努力沒有白費呀！
可以看出，經(jīng)過前面的積累，后面會學(xué)的越來越快。
慢慢的就從一開始的那種「唉，怎么又報錯啊，好挫敗」的心態(tài)變成現(xiàn)在的「啊？沒 error？感覺不對啊，再查驗一遍吧」這種抖 M 傾向的人。代碼虐我千百遍，我已經(jīng)被磨的沒有了脾氣。
已經(jīng)有幾個朋友說想轉(zhuǎn)行了，我何曾沒想過，只是不知不覺中堅持了下來而已。因為熱愛，越虐越停不下來
小結(jié)
設(shè)定一個非常清晰的目標(biāo)
為什么第一個寫：「我是因為什么開始敲代碼的」，因為動機真的非常重要！
所以，很多人在問我「如何學(xué) python？」這種問題時，我的第一回答都是「你學(xué) python 用來干嘛？」
在學(xué)校也敲打過 python，做個爬蟲 demo 什么的，因為目的性不強沒多久就放一邊了。清晰的目標(biāo)就比如說你要做 NLP，你要知道 NLP 的應(yīng)用有智能問答，機器翻譯，搜索引擎等等。
然后如果你要做智能問答你要知道現(xiàn)在最發(fā)達的技術(shù)是深度學(xué)習(xí)，使用的算法有 RNN/LSTM/Seq2Seq/等等一系列。
而我的清晰目標(biāo)是在實習(xí)的時候給我的任務(wù)。當(dāng)任務(wù)很明確的時候，所需要的語言就明確了，所要學(xué)習(xí)的算法也就明確了，很多東西就順理成章了不用一頭亂撞了。
從金融到科技
AI 的應(yīng)用范圍很廣，每一個研究方向都是無窮盡的。由于金融公司很少與圖像處理，NLP 等技術(shù)會有交集，而我強大的好奇心讓我決定去純粹的科技公司一探究竟。目前已投身于智能家居，目標(biāo)是 Javis
?人工智能/機器學(xué)習(xí)/深度學(xué)習(xí)
我經(jīng)常在公交的廣告牌上看見這些詞，好像哪家公司沒有這個技術(shù)就落后了似的。更多的還有強化學(xué)習(xí)，遷移學(xué)習(xí)，增量學(xué)習(xí)等各種學(xué)習(xí)。
這些詞兒之間到底什么關(guān)系？
機器學(xué)習(xí)是人工智能的一種，深度學(xué)習(xí)是機器學(xué)習(xí)的一種。學(xué) AI 先學(xué)機器學(xué)習(xí)。
計算機的「算法」與 數(shù)學(xué)的「算法」的區(qū)別
理論知識對于 AI 算法工程師極其重要。敲代碼只是思路的一個實現(xiàn)過程。這里的「算法」和計算機 CS 的「算法」還不太一樣，AI 算法是偏數(shù)學(xué)推導(dǎo)的，所以數(shù)學(xué)底子還是需要點的，學(xué)的越深，要求越高。面試的時候，很少讓手寫代碼，90% 都是在問模型摳算法細節(jié)。
在學(xué)校我是一個不愛記筆記的人，甚至是一個不愛上課的人。但是自從入了機器學(xué)習(xí)的坑后，筆記寫的飛起~
機器學(xué)習(xí)的框架
按照數(shù)據(jù)集有沒有 Y 值可以將機器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。監(jiān)督學(xué)習(xí)是分類算法，無監(jiān)督學(xué)習(xí)是聚類算法。
機器學(xué)習(xí)的通用流程和相關(guān)技術(shù)如下圖：
ML 這棵樹還可以有更多的分支。先有個整體感受，再一個一個的解決掉。這里的知識點也是面試最愛問的幾個，是重點呀！面試過的同學(xué)應(yīng)該都不陌生了。
機器學(xué)習(xí)如何入門
機器學(xué)習(xí)之大，初學(xué)者都無從下手。說白了，機器學(xué)習(xí)就是各種模型做預(yù)測，那么就需要有數(shù)據(jù)，要想有好的效果，就要把原始的臟數(shù)據(jù)洗干凈了才能用。數(shù)據(jù)內(nèi)隱藏的信息有時候是肉眼不可見的，那么就需要一些相關(guān)技巧來把有用信息挖出來。所有絞盡腦汁使用的技巧，都是為了能預(yù)測的更準(zhǔn)確。但是誰也沒辦法做到百分百的命中。
這里簡單介紹下機器學(xué)習(xí)的三大塊：傳統(tǒng)的機器學(xué)習(xí) ML、圖像處理 CV、自然語言處理 NLP。
再推薦一個入門神器：
- Kaggle（www.kaggle.com）
這是一個世界級的最權(quán)威的機器學(xué)習(xí)比賽，已被谷歌收購。上面的賽題不僅很有代表性，還有很多免費的優(yōu)秀的數(shù)據(jù)集供你使用，要知道收集數(shù)據(jù)是機器學(xué)習(xí)的第一大難題，它就幫你解決了。入門不用立馬參加比賽，把數(shù)據(jù)下載下來，盡情折騰就好了，要是沒有思路，去網(wǎng)上搜別人的解題筆記和代碼借鑒一下也很美好~因為這是大家都爭相打榜的比賽，所以你并不孤單。
ML 入門該參加的賽題（Titanic）
圖像入門該參加的賽題（數(shù)字識別）
NLP 入門該參加的賽題（情感分析、quora 問句語義匹配）
等做完第一個 titanic 的比賽應(yīng)該就有點感覺了。上面 4 個比賽我都做過，覺得很經(jīng)典，很適合入門。
深度學(xué)習(xí)的入門算法有哪些
如今的樣本輸入可以是文字，可以是圖像，可以是數(shù)字。
深度學(xué)習(xí)是跟著圖像處理火起來的。甚至現(xiàn)在這個概念都火過了「機器學(xué)習(xí)」。
深度學(xué)習(xí)的算法主要都是神經(jīng)網(wǎng)絡(luò)系列。入門推薦 CNN(卷積神經(jīng)網(wǎng)絡(luò)) 的一系列：
- LeNet5
- AlexNet
- VGG
- googleNet
- ResNet
自學(xué)如何尋找學(xué)習(xí)資料？
開源的世界，美好的世界?
「開源」，我的愛！代碼屆里開源的中心思想就是，share and free
對于機器學(xué)習(xí)，網(wǎng)上的社區(qū)氛圍特別好，分享的很多很全面，而且 MLer 都非常樂于助人。
介紹幾個我經(jīng)常逛的社區(qū)，論壇，和網(wǎng)頁：
kaggle（www.kaggle.com）
全球最權(quán)威的機器學(xué)習(xí)比賽，已被谷歌收購。賽題覆蓋傳統(tǒng)機器學(xué)習(xí)、nlp、圖像處理等，而且都是很實際的問題，來自各行各業(yè)。kaggle 是數(shù)一數(shù)二完善的 ML 社區(qū)了，賽題開放的數(shù)據(jù)集就很有用，非常適合新手練手。對優(yōu)秀的 kaggler 也提供工作機會。
github（www.github.com）
全球最大同性交友網(wǎng)站，適合搜項目，開源大社區(qū)，大家一起看星星，看 issue~
StackOverFlow（www.stackoverflow.com）
代碼報錯找它，代碼不會敲找它！所有與代碼相關(guān)的坑，基本都有人踩過啦
csdn（www.csdn.net）
最接地氣的博客聚集地，最常看的網(wǎng)頁之一，一般用來搜索細節(jié)知識點或者代碼報錯時
sklearn（scikit-learn.org/stable）
專業(yè)做機器學(xué)習(xí) 100 年！各算法各技巧的例子 code 應(yīng)有盡有
medium（medium.com）
創(chuàng)辦人是 Twitter 的創(chuàng)始人，推崇優(yōu)質(zhì)內(nèi)容，國內(nèi)很多 AI 公眾大號的搬運都來自于這里，medium 里每個作者都有自己獨特的見解，值得學(xué)習(xí)和開拓眼界，需要科學(xué)上網(wǎng)
towards data science（towardsdatascience.com）
與 medium 很像，需要科學(xué)上網(wǎng)
google AI blog（ai.googleblog.com）
谷歌的 AI 團隊維護的博客，每天至少更新一篇技術(shù)博客。剛在上海開的谷歌開發(fā)者大會宣布將會免費開放機器學(xué)習(xí)課程，值得關(guān)注一下，畢竟是 AI 巨頭
各種大神的技術(shù)博客/個人網(wǎng)站
有很多的網(wǎng)站，會不定期的更新在我的個人博客里
有口碑的 AI 公開課平臺
首先說明我沒有上課，也沒有報班，屬于個人學(xué)習(xí)習(xí)慣問題。但考慮到學(xué)習(xí)差異性，所以還是總結(jié)了口碑排名靠前的課程系列。前提，需要有一定數(shù)學(xué)基礎(chǔ)，沒有的可以順便補一補。
coursera（www.coursera.org/browse）
吳恩達 (Andrew Ng) 機器學(xué)習(xí)
deeplearning.ai（www.deeplearning.ai）
fast.ai（www.fast.ai）
專注于深度學(xué)習(xí)。Fast.ai 的創(chuàng)始人就蠻有意思的，是橫掃 kaggle 圖像處理的高手，不擺架子，也不故弄玄虛。中心思想就是深度學(xué)習(xí)很簡單，不要怕。fast.ai 有博客和社區(qū)。Jeremy 和 Rachel 鼓勵撰寫博客，構(gòu)建項目，在會議中進行討論等活動，以實力來代替?zhèn)鹘y(tǒng)證書的證明作用。
udacity（in.udacity.com）
有中文版，課程覆蓋編程基礎(chǔ)，機器學(xué)習(xí)，深度學(xué)習(xí)等。
網(wǎng)易云課堂
碎片時間
科技圈也是有潮流要趕的，等你入坑就知道。
追最新的論文，最新的算法，最新的比賽，以及 AI 圈的網(wǎng)紅是哪些~有條件的開個 twitter，平時娛樂看看機器學(xué)習(xí)板塊還是蠻有意思的，有很多自嘲的漫畫~
推薦幾個我超愛看的 AI 主題美劇
硅谷（強推！簡直是我日常生活，太有共鳴了~下飯劇）
西部世界（看的時候不要學(xué)我一直在思考如何實現(xiàn)這個那個技術(shù)）
實用的小技巧
瀏覽器首推 chrome
當(dāng)閱讀英文網(wǎng)頁呼吸困難時，右擊選擇「翻成中文（簡體）」
考過雅思和 GMAT，曾經(jīng)我也是一個熱愛英文的孩子，如今跪倒在海量技術(shù)文檔和文獻里茍活
搜索問題一定用 google，如果沒解決是你的問題不是 google 的鍋
baidu？？？ummm...... 別為難我...... 很少用
學(xué)會提問很重要，搜索格式推薦
語言+問題，例如：python how to convert a list to a dataframe
直接復(fù)制錯誤信息，例如：ValueError: No variables to save...
請把所有的問題往上拋，網(wǎng)上查比問人快！總是問別人會引起關(guān)系破裂的~
學(xué)會順藤摸瓜
當(dāng)你讀到一個非常不錯的技術(shù)文檔時，看完別急著關(guān)掉。這可能是一個個人網(wǎng)站，去觀察菜單欄里有沒有【About】選項。或者這也可能是一個優(yōu)秀的社區(qū)，看看有沒有【Home】選項，去看看 po 的其它的文章。
很多優(yōu)秀網(wǎng)站都是英文，科學(xué)上網(wǎng)必不可少
學(xué)習(xí)費用不來自課程，可能來自于硬件要求，學(xué)生黨要利用好學(xué)校資源
小結(jié)
雖然說了那么多，但還是要說請放棄海量資料！用多少，找多少就好了！（別把這句話當(dāng)耳旁風(fēng)）
資料不在量多而在于內(nèi)容是有質(zhì)量保證的。很多課程或者公眾號只管塞知識，你有疑問它也解答不了的時候，這樣出來的效果不好，就像一個模型只管訓(xùn)練，卻不驗證，就是耍流氓。
如何選擇編程語言/框架
首選英語！！！（咳咳，我認(rèn)真的）
說到底，語言只是工具，不去盲目的追求任何一種技術(shù)。根據(jù)任務(wù)來選擇語言，不一樣的程序員選擇不一樣的編程語言。很多人最后不是把重點放在能力而是炫工具，那就有點走偏了。
據(jù)觀察，在機器學(xué)習(xí)組里 R 和 Python 是使用率最高的兩門語言，一般你哪個用的順就用哪個，只要能達到效果就行，除非強制規(guī)定。
我使用之后的感受是，人生苦短，我用 python
用 python 建個模型到底多難？
算法任務(wù)大致分為兩種，一種是普通算法工程師做的「調(diào)包、調(diào)參」，另一種是高級算法工程師做的，可以自己創(chuàng)建一個算法或者能靈活修改別人的算法。
先說說建個模到底有多簡單吧。
有優(yōu)秀的算法封裝框架
tensorflow / caffe / keras /...
Auto ML 是不可阻擋的一個方向
Auto ML(auto machine learning)，自動機器學(xué)習(xí)。就是你只管丟進去數(shù)據(jù)，坐等跑出結(jié)果來就行了。前一陣子谷歌的 CloudML 炒的很火，愿景是讓每個人都能建模，但畢竟這種服務(wù)是要錢的。所以我研究了下開源的 auto sklearn 框架的代碼，發(fā)現(xiàn)了什么呢？建模到底有多簡單呢？就，簡單到 4 行代碼就可能打敗 10 年工作經(jīng)驗的建模師。
再說回來，如果你自己根本不知道自己在做什么，只能跑出來一個你不能負(fù)責(zé)的結(jié)果，就是很糟糕的，那還不是一個合格的算法工程師。你的模型必須像你親生的那樣。但是，只要你想，絕對能做到的！
學(xué)習(xí) python 電腦上要裝哪些東西
Anaconda
對，就是這么簡單粗暴，裝這個就 ok 了
學(xué) python 的應(yīng)該都會面臨到底是 python2 還是 python3 的抉擇吧。語言版本和環(huán)境真的很讓人頭疼，但是 Anaconda 驚艷到我了，就是可以自定義 python 環(huán)境，你可以左手 py2 右手 py3
推薦幾個 python 的 IDE
Spyder
Anaconda 自帶的 ide。界面排版與 Rstudio 和 Matlab 很相似。輸入什么就輸出什么結(jié)果，適合分析工作，我寫小功能的時候很喜歡用。
Jupyter Notebook
Anaconda 自帶的 ide，屬于 web 界面的。當(dāng)你程序跑在虛擬機，想調(diào)代碼的時候適合用。
PyCharm
對于寫項目的，或者代碼走讀的比較友好。當(dāng)你需要寫好多 python 文件互相 import 時，特別好用。
我的筆記本配置
（不考慮經(jīng)濟約束的請忽略這條）
牌子+型號：ThinkPad X1 Carbon
推薦配置：i7+16G 內(nèi)存+256G(或更多) 硬盤
系統(tǒng)推薦：linux，因為開源，有空可以玩玩
校招/社招/實習(xí)/面試經(jīng)驗
如何安排校招
大廠的開放時間會比較早，密切關(guān)注網(wǎng)申時間節(jié)點：
- 2019 屆的秋招：2019 年 7 月 - 2019 年 11 月
- 2020 屆的春招：2020 年 2 月 - 2020 年 4 月
- 2020 屆的暑期實習(xí)：2020 年 3 月 - 2020 年 5 月
- 2020 屆的秋招：2020 年 7 月 - 2020 年 11 月
- （以此類推）
手撕代碼能力
建議提早半年開始準(zhǔn)備。我的代碼也是從實習(xí)開始敲起，敲了半年才覺得下手如有神哈哈。不要做沒實際意義的課后題，也不要照著書本例題敲，敲完你就忘了，書本這些都是已經(jīng)排除萬難的東西，得不到什么成長。
入門修煉：全國大學(xué)生數(shù)學(xué)建模競賽、全美大學(xué)生數(shù)學(xué)建模競賽、kaggle、天池…
項目經(jīng)歷/實習(xí)經(jīng)歷
如果明確自己的職業(yè)方向為人工智能/數(shù)據(jù)挖掘類的，請不要浪費時間去申請其他與技術(shù)無關(guān)的實習(xí)。端茶送水，外賣跑腿，打印紙并不能幫你。當(dāng)時由于身邊同學(xué)都斷斷續(xù)續(xù)出去實習(xí)，面前有一份大廠行政的實習(xí)，我…竟然猶豫了一下，好在也還是拒絕了。
盡量選擇大廠的技術(shù)實習(xí)，畢竟以后想進去會更難。但是不要因為一個月拿 3000 塊就只干 3000 塊的活。把整個項目跟下來，了解框架的架構(gòu)，優(yōu)化的方向，多去嘗試，就算加班（加班在深圳很正常）也是你賺到，思考如何簡化重復(fù)性工作，去嘗試了解自己部門和其他部門的工作內(nèi)容與方向，了解的越多你對自己想做的事情了解的也越多。
我實習(xí)做的評分卡模型，除了傳統(tǒng)邏輯回歸，也嘗試新的 XGB 等等，而且雖然別人也在做，但是私下自己會把整個模型寫一遍，包含數(shù)據(jù)清洗和模型調(diào)優(yōu)等，這樣對業(yè)務(wù)的了解也更透徹，面試起來所有的細節(jié)都是親手做過的，也就比較順了。
如果沒有實習(xí)在手，世界給我們數(shù)據(jù)挖掘選手的大門還是敞開著的。kaggle 上有專門給數(shù)據(jù)挖掘入門者的練習(xí)場。相關(guān)的比賽還有很多，包括騰訊、阿里等大廠也時不時會發(fā)布算法大賽，目測這樣的算法大賽只會越來越多，你堅持做完一個項目，你在平臺上還可以得到相關(guān)名次，名次越靠前越有利哈哈哈這是廢話。
BAT 常見的面試題（不分先后）
- 自我介紹/項目介紹
- 類別不均衡如何處理
- 數(shù)據(jù)標(biāo)準(zhǔn)化有哪些方法/正則化如何實現(xiàn)/onehot 原理
- 為什么 XGB 比 GBDT 好
- 數(shù)據(jù)清洗的方法有哪些/數(shù)據(jù)清洗步驟
- 缺失值填充方式有哪些
- 變量篩選有哪些方法
- 信息增益的計算公式
- 樣本量很少情況下如何建模
- 交叉檢驗的實現(xiàn)
- 決策樹如何剪枝
- WOE/IV 值計算公式
- 分箱有哪些方法/分箱原理是什么
- 手推 SVM：目標(biāo)函數(shù)，計算邏輯，公式都寫出來，平面與非平面
- 核函數(shù)有哪些
- XGB 原理介紹/參數(shù)介紹/決策樹原理介紹/決策樹的優(yōu)點
- Linux/C/JAVA 熟悉程度
- 過擬合如何解決
- 平時通過什么渠道學(xué)習(xí)機器學(xué)習(xí)（好問題值得好好準(zhǔn)備）
- 決策樹先剪枝還是后剪枝好
- 損失函數(shù)有哪些
- 偏向做數(shù)據(jù)挖掘還是算法研究（好問題）
- bagging 與 boosting 的區(qū)別
- 模型評估指標(biāo)有哪些
- 解釋模型復(fù)雜度/模型復(fù)雜度與什么有關(guān)
- 說出一個聚類算法
- ROC 計算邏輯
- 如何判斷一個模型中的變量太多
- 決策樹與其他模型的損失函數(shù)、復(fù)雜度的比較
- 決策樹能否有非數(shù)值型變量
- 決策樹與神經(jīng)網(wǎng)絡(luò)的區(qū)別與優(yōu)缺點對比
- 數(shù)據(jù)結(jié)構(gòu)有哪些
- model ensembling 的方法有哪些
小結(jié)
問題是散的，知識是有關(guān)聯(lián)的，學(xué)習(xí)的時候要從大框架學(xué)到小細節(jié)。
沒事多逛逛招聘網(wǎng)站看看招聘需求，了解市場的需求到底是什么樣的。時代變化很快，捕捉信息的能力要鍛煉出來。你可以關(guān)注的點有：職業(yè)名/職業(yè)方向/需要會什么編程語言/需要會什么算法/薪資/...
每個面試的結(jié)尾，面試官會問你有沒有什么想問的，請注意這個問題也很關(guān)鍵。
比如：這個小組目前在做什么項目/實現(xiàn)項目主要用什么語言和算法/…
盡量不要問加不加班，有沒有加班費之類的，別問我為什么這么說（攤手）
在面試中遇到不理解的，比如 C++語法不懂，可以問這個 C++具體在項目中實現(xiàn)什么功能。如果你提出好問題，能再次引起面試官對你的興趣，那就能增加面試成功率。
應(yīng)屆生就好好準(zhǔn)備校招，別懶，別怕輸，別怕被拒，從哪里跌倒從哪里起來。社招不是你能招呼的，會更挫敗，因為你什么也沒做過。
雖然是做技術(shù)的，但是日常 social 一下還是收益很大的。實習(xí)的時候，也要與周圍同事和平相處，尤其是老大哥們，也許哪天他就幫你內(nèi)推大廠去了。內(nèi)推你能知道意想不到的信息，面試官，崗位需求，最近在做什么項目之類的。
挑選給你機會的公司，不要浪費自己的時間。不要每家都去，去之前了解這家公司與你的匹配度。
尤其社招，你一改動簡歷就很多人給你打電話，你要有策略的去進行面試，把握總結(jié)每個機會。像我就是東一榔頭西一榔頭的，好多都是止步于第一面，就沒回信兒了，因為每次面完沒有好好反思總結(jié)，等下次再遇到這問題還是抓瞎，十分消耗自己的時間和信心。
