你要去參加人工智慧面試，先看下這篇總結

在過去的8個月裡，我一直在各種公司進行面試，如Wadhwani人工智慧研究所，Google的DeepMind，微軟，Ola，Fractal Analytics以及其他一些主要為資料科學家、軟體工程師和研究工程師的公司。在這個過程中，我不僅有機會與許多偉大的思想進行互動，而且還可以看到自己，並瞭解人們在面試某人時的真實感受。我相信，如果我之前有這方面的知識，我本可以避免許多錯誤，並以更好的方式做好準備，這就是這篇文章背後的動機，是能夠幫助某人包裝自己，成功去到他們夢寐以求的工作場所。

畢竟，如果我們每天工作將花費（至少）一天的2/3，那麼最好是值得的。

我從如何引起注意，也就是面試開始。然後我提供一份申請公司和初創企業名單，然後是如何獲得該訪談。根據我所擁有的經驗，我新增了一個關於我們應該努力工作的部分。這樣，您會以最少的資源進行準備。

注意:對於那些參加校園實習的人來說，有兩件事我想補充一下:首先，我要說的大部分內容(可能除了最後一個)與你的實習不相關。但是，這是我的第二點，正如我之前提到的，在校園裡的機會大多是軟體工程的角色，與人工智慧沒有交集。所以，這篇文章是專門為那些想用人工智慧解決有趣問題的人而寫的。另外，我想補充的是，我還沒有把所有的面試都看完，但我想這就是失敗的本質——它是最偉大的老師!我在這裡提到的東西可能並不都是有用的，但這些都是我做過的，我沒有辦法知道是什麼最終使我的論點更有力。

1.如何在面試中獲得關注

說實話，這一步是最重要的一步。如何讓招聘人員在他們獲得的眾多應用程式中實際瀏覽您的個人簡介。在組織內部建立聯絡人可以使您的推薦變得非常簡單，但是，一般來說，這部分可以細分為三個關鍵步驟：

a）做好監管準備並做得好：所以，透過監管準備，利用各種網站精心打造簡歷。首先，你的簡歷應該非常簡潔。至於CV模板，Overleaf上的一些內建格式非常好。我個人使用deedy-resume（）。

可以看出，很多內容可以放在一個頁面中。但是，如果您確實需要更多，那麼上面連結的格式將無法直接使用。相反，您可以在此處找到相同的修改後的多頁面格式。接下來最重要的是你的Github個人資料，很多人低估了這方面的潛力，因為與LinkedIn不同，它沒有“誰檢視了您的個人資料”選項。人們會透過你的Github來檢視，因為這是他們必須驗證你在簡歷中提到的內容的唯一方式，因為這個時代資訊過分繁雜，人們將各種流行語與他們的個人資料相關聯。特別是對於資料科學而言，開源在大多數工具、各種演算法的實現、學習資源列表中都發揮著重要作用，所有這些都是開源的。我將討論參與開源的好處以及如何在此處的早期帖子中從頭開始。現在最低限度應該是：

• 如果您還沒有Github帳戶，請建立一個帳戶。

• 為您已完成的每個專案建立一個儲存庫。

• 新增文件，其中包含有關如何執行程式碼的明確說明

• 為每個檔案新增文件，提及每個函式的作用、每個引數的含義、正確的格式（例如Python的PEP8）以及自動執行上一步的指令碼（可選）。

第三步是大多數人缺乏的，即擁有一個作品集網站，展示他們的經驗和個人專案。製作一個作品集表明你非常認真地進入該領域，併為真實性因素增加了許多要點。此外，您的簡歷通常有空間限制，往往會錯過很多細節。如果您願意，您可以使用您的作品集深入研究細節，強烈建議您包含某種視覺化或專案/想法的演示。建立一個也很容易，因為有很多具有拖放功能的免費平臺使得這個過程真的很輕鬆。我個人使用Weebly，它是一種廣泛使用的工具。最好有一開頭有一個參考。有很多很棒的網站，但我首先提到了Deshraj Yadav的個人網站:

現在很多招聘人員和初創企業都開始使用LinkedIn作為他們的招聘平臺，那裡釋出了很多好工作。除招聘人員外，在有影響力的職位上工作的人也非常活躍。所以，如果你能抓住他們的注意力，你也很有機會進入。除此之外，保持一個乾淨的簡介是人們有意願與您聯絡的必要條件。 LinkedIn的一個重要部分是他們的搜尋工具，為了讓您顯示，您必須在您的個人資料中加入相關的關鍵字。我花了很多次迭代和重新評估才最終獲得了不錯的評價。此外，您絕對應該詢問與您合作過的人或與您合作過的人是否支援您的技能並新增推薦，說明他們與您合作的經歷。所有這些都增加了你真正被注意到的機會。

所有這些看起來可能很多，但請記住，您不需要在一天甚至一週或一個月內完成。這是一個過程，它永遠不會結束。一開始設定所有內容肯定需要一些努力但是一旦它存在並且你不斷更新它，因為你周圍的事件不斷髮生，你不僅會發現它很容易，而且你也能夠在沒有準備的情況下就侃侃而談，因為你對自己的情況瞭如指掌。

a）保持真誠：我見過很多人因為不同的工作檔案而出現這種錯誤。根據我的說法，最好首先確定你真正感興趣的是什麼，你會喜歡做什麼，然後尋找相關的機會;而不是相反。人工智慧人才的需求超過供給人的這一事實為您提供了這個機會。花時間在上面提到的監管準備上，可以讓您全面瞭解自己，並幫助您更輕鬆地做出決定。此外，您不需要為面試期間提出的各種問題準備答案。當你談論你真正關心的事情時，它們會自然而然的從你的嘴裡流露出來。

b）網路：一旦你完成了a），想出b），人脈才可以真正幫助你實現目標。如果你不與人交談，你會錯過很多機會。重要的是每天與新人保持聯絡，如果不能面對面接觸，那麼在LinkedIn上進行聯絡，這樣，經過多天的複合，你就擁有了一個龐大而強大的網路。人際關係不是給別人傳送訊息，讓他們為您提供推薦。當我開始時，我經常犯這種錯誤，直到我偶然發現了Mark Meloon的一篇優秀的文章，他在那裡談到了透過首先提供幫助與人建立真正聯絡的重要性。人脈的另一個重要步驟是將您的內容輸出。例如，如果你擅長某些事情，可以在部落格上釋出並在Facebook和LinkedIn上分享這個部落格。這不僅有助於他人，也有助於您。一旦擁有足夠好的網路，您的可見性就會增加多倍。您永遠不會知道您網路中的某個人會多麼喜歡或評論您的帖子，這可能會幫助您與更廣泛的受眾群體聯絡，包括可能正在尋找您的專業人士的人。

2.申請公司和初創企業名單

我按字母順序列出此列表，以避免誤解任何特定的偏好。但是，我確實在我個人推薦的那些上加上了a。該建議基於以下任一項：任務陳述、人員、個人互動或學習範圍。超過1“*”純粹基於第二和第三因素。

• Adobe Research

• Aiaioo Labs

• * AllinCall-（由IIT Bombay校友創立）

• *亞馬遜

• Arya.ai

DeepAffects- DeepAffects是一家企業AI語音分析公司。我們正在研究語音和文字領域中深度學習空間中的一些最難的問題

• * Element.ai

• * Facebook AI研究：AI居住計劃

• * Fractal Analytics（也收購：Cuddle.ai，** Qure.ai）

• ** Google（Brain / DeepMind / X）：AI居住計劃

• 高盛

• Haptik.ai

• ** HyperVerge-由IIT Madras校友建立，他們致力於開發人工智慧解決方案，解決世界各地客戶的實際問題。創始人包括在IIT Madras發起著名計算機視覺小組的人。

• IBM研究院

• *英特爾AI實驗室（強化學習）

• ** Jasmine.ai-由IIT Madras校友創辦，他們也曾在密歇根大學攻讀博士學位，他們正在研究會話智慧。此外，他們資金充足。

• 摩根大通

• *微軟研究院：

• - 印度實驗室的1年或2年獎學金。

• - AI居住計劃

• MuSigma

• 下一步教育

• niki.ai

• * Niramai-Xerox Research的前僱員，致力於使用熱成像技術早期發現乳腺癌。

• Ola

• * OpenAI

• * PathAI

• 可預見的健康

• 高通公司

• *銷售隊伍

• 三星研究

• * SigTuple

• * Suki-AI為醫生提供動力的語音助手。最近，它也籌集了大量資金，也可能很快在印度開設辦事處。

• * Swayatt Robotics-致力於為印度開發自動駕駛汽車。

• ** Wadhwani AI由資深億萬富翁Romesh Wadhwani博士和Sunil Wadhwani資助，他們的目標是成為第一個致力於社會福利的人工智慧組織。

• *優步AI實驗室和先進技術集團：AI居住計劃

• *使用計算機視覺的Umbo CV-Security

• 不可思議的願景

• Zendrive

3.如何獲得面試機會

你的面試從你進入房間的那一刻開始，在那個時刻和你被要求自我介紹的時候會發生很多事情,你的肢體語言和你在微笑的同時問候他們扮演重要角色的事實尤其是當你為一家初創公司進行面試時，因為文化適應性是他們非常關心的事情。你需要明白，儘管面試官對你來說是個陌生人，但你對他/她也是一個陌生人。所以，他們可能和你一樣緊張。

將面試視為自己和麵試官之間的對話更為重要。你們兩個都在尋找一個相互適合的人 - 你正在尋找一個很棒的工作場所，面試官正在尋找一個很棒的人（像你一樣）。因此，請確保您對自己感覺良好，並且負責讓對話的初始時刻為他們帶來愉快。而實現這一目標的最簡單方法就是微笑。

大多數情況下有兩種型別的訪談——一種是面試官來到這裡準備了一系列問題，而且無論你的個人資料如何，只會問你這一次，第二次訪談是根據你的簡歷進行的。我將從第二個開始。

這種採訪通常以“你能先簡單介紹一下你自己麼？”開頭。在這一點上，有2件事情可以作為開場白，談談大學裡你的GPA也可以詳細談論下你的專案。一個理想的陳述大約是一兩分鐘。你可以談論你的愛好，如閱讀書籍、體育運動、冥想等。基本上，任何有助於定義你的東西。然後，面試官將把你在這裡談論的內容作為他下一個問題的提示，然後從採訪的技術部分開始。這種面試的動機是要真實地檢查你的簡歷中所寫的內容是否真實：

實際解決問題的任何人都可以在多個級別回答。他們將能夠進入黃銅軌道，否則他們會陷入困境。

——馬斯克

關於可以做什麼不同的問題或者如果使用“X”代替“Y”會有很多問題。在這一點上，重要的是要知道在實施過程中通常會做出的權衡取捨，例如：如果面試官說使用更復雜的模型可以得到更好的結果，那麼你可能會說你實際上有更少的資料可以使用，這會導致過度擬合。在其中一次訪談中，我接受了一個案例研究，其中涉及為現實世界的用例設計演算法。我注意到，一旦我獲得綠色標誌來談論一個專案，當我在下面的流程中談論它時，採訪者真的很喜歡它：

問題> 1或2個先前的方法>我們的方法>結果>直覺

另一種面試實際上只是為了測試你的基本知識。這些問題不會太難。但他們肯定會抓住你應該擁有的所有基礎知識，主要基於線性代數、機率、統計、最佳化、機器學習和/或深度學習。準備部分所需的最小資源中提到的資源應該足夠了，但請確保您不會遺漏其中的一點。這裡的問題是您回答這些問題所需的時間。由於這些涵蓋了基礎知識，他們希望你可以立即回答它們。所以，相應地我們需要做好準備。

在整個過程中，重要的是要對自己所知道的和不知道的事情充滿自信和誠實。如果有一個問題，你確定你不知道，要直接說出來而不是用“嗯”、“啊”這樣的語氣詞代替。如果某些概念非常重要，但你嘗試著努力回答它，那麼面試官通常會（根據你在初始部分的表現）很樂意給你一個提示或引導你找到正確的解決方案。如果您能夠根據他們的提示並找到正確的解決方案，那將是一個很大的優勢。儘量不要緊張，避免這種情況的最佳方法是再次微笑。

現在我們來到面試的結論部分，面試官會問你是否對他們有任何疑問。很多人會很容易認為面試已經完成，然後就回答說沒有什麼可問的。我知道很多人因為在最後一個問題上失敗而被拒絕了。正如我之前提到的，這不僅僅是你在被面試，而且公司也在尋找適合他們的人。所以，很明顯，如果你真的想加入一個地方，你必須對那裡的工作文化有一些自己的看法。這就像對面試你的人好奇一樣簡單。你總會從周圍的一切中學習點什麼東西，你應該確保給你的面試官留下你真正有興趣成為他們團隊一員的印象。我開始問我的所有采訪者的最後一個問題是，他們可能希望我改進哪一點。這對我幫助很大，我仍記得我收到的所有反饋，這些反饋都融入了我的日常工作與生活中。根據我的經驗，如果你只是對自己誠實、有能力、真正關心你正在面試的公司並且有正確的心態，你應該勾選所有正確的方框，並且應該很快會收到“祝賀信”

4.我們應該努力為之工作

我們生活在一個充滿機遇的時代，適用於任何你喜歡的事物。你只需要努力成為最好的，你就會找到一種方法將它貨幣化。正如Gary Vaynerchuk的說法：

這是一個在AI領域工作的好時機，如果你真的對它充滿熱情，那麼你就可以用AI做很多事了。你可以賦予那麼多一直被低估的人。我們一直在抱怨我們周圍的問題，但是從來沒有像我們這樣的普通人真正能夠解決這些問題，而不僅僅是抱怨。 Jeffrey Hammerbacher（Cloudera創始人）曾表示：

我們這一代人最好的想法是考慮如何讓人們點選廣告。這太糟糕了。

5.你需要準備最少的資源

任何資料科學訪談都包含以下四個類別中的一部分問題：電腦科學、數學、統計學和機器學習。

電腦科學

• 演算法和資料結構：

- InterviewBit（練習）

- NPTEL IIT德里講座（相應理論）

• 作業系統：

- 需要記住的作業系統概念 - 軟體開發人員需要記住

- “作業系統概念”一書的第3,4,5和7章。

- GeeksForGeeks上的作業系統

• 物件導向的程式設計：您被問及如何設計系統，例如：鐵路車票預訂系統。所以，你需要與面試官討論他/她的要求是什麼，你需要做什麼類，每個班級應該有什麼樣的變數/方法，如何使用繼承（例如工程師和科學家）類可以從Employee類派生出來等等。這來自於實踐。

數學與統計

如果您不熟悉深度學習背後的數學，那麼您應該考慮檢視我的上一篇文章，瞭解它們的資源。但是，如果你感看文章感到比較舒服，我發現深度學習書的第2,3和4章足以在這些訪談中準備、修改理論問題。我一直在準備幾個章節的摘要，你可以參考這些章節，我試圖解釋一些我最初難以理解的概念，以防你不願意完成整個章節。如果你已經完成了機率的課程，那麼你應該也能輕鬆回答一些問題。對於統計資料，涵蓋這些主題應該足夠了。

機器學習

現在，這裡的問題範圍可能會根據您申請的職位型別而有所不同。如果這是一個更傳統的基於機器學習的面試，他們想要檢查你在ML的基本知識，你可以完成以下任何一門課程：

- 吳恩達-CS的機器學習229

- 加州理工學院教授Yaser Abu-Mostafa的機器學習課程

重要主題是：監督學習（分類，迴歸，SVM，決策樹，隨機森林，Logistic迴歸，多層感知器，引數估計，貝葉斯決策規則），無監督學習（K均值聚類，高斯混合模型），降維（PCA）。

現在，如果您申請更高階的職位，您很可能會受到深度學習的質疑。在這種情況下，您應該對卷積神經網路（CNN）和/或（取決於您的工作）迴歸神經網路（RNN）及其變體非常熟悉。你必須知道深度學習背後的基本理念是什麼，CNN / RNN如何實際工作，提出了什麼樣的架構以及這些架構變化背後的動機是什麼。現在，沒有捷徑可走。要麼你瞭解它們，要麼你有足夠的時間來理解它們。對於CNN，推薦的資源是史丹佛大學的CS 231N和用於RNN的CS 224N。我發現Hugo Larochelle的神經網路課程也非常具有啟發性。到目前為止，您應該已經發現Udacity對於ML從業者來說是一個非常重要的地方。

結論

我希望透過這篇文章可以找到一種對你有用的方法，並且它可以幫助你以更好的方式為下一次資料科學麵試做準備。