在所有事情開始之前，要把相關(guān)的環(huán)境設(shè)置好。首先你要有OpenCV（對于視覺工程師方向），至少一個深度學習框架（TensorFlow， Kaffe， Keras等，新手推薦用Keras），Ubuntu。還要掌握C++， Python， 和基本的機器學習知識。

C++在AI類工作中有怎樣的重要性？

C++對于你找AI視覺方向的工作是比較重要的。以下幾個工作Title是要求你必須會C++的：

AI Engineer / Computer Vision Engineer / Self-driving Car Engineer / Image Processing Engineer / SLAM Engineer

GPGPU Engineer

而這四類工作Title并不要求你一定會C++：

* Data Scientist（Python， R etc.）

* Deep Learning Scientist

* NLP engineer （Python）

* Machine Learning Engineer （Pyhton， Java）

如何準備C++？

C++11中最重要的是Smart pointer，很容易考到。其次還有STL（vector， map etc.） 添加，刪除，排序。類也會考察，類里有很多前綴后綴，如const， static， override， virtual，pure virtual等，這些需要清楚地記得。

然后說到刷題，LeetCode上Easy和Medium的題，起碼要刷三百道。最好是能一邊上現(xiàn)成的算法課，一邊用C++刷題練習。

關(guān)于用到的資料，向大家推薦一本C++的書：Effective C++。這本書比較薄，三天內(nèi)就能看完，可以不用看得太細，它對編程風格的講解是比較值得一看的。比如你可以了解到面對過程的編程風格和面向?qū)ο蟮木幊田L格。

最后給大家推薦一個YouTube播主：Cppnuts。他把C++的每個知識點總結(jié)成三到五分鐘的視頻，講得很不錯，大家可以關(guān)注。

找AI視覺方向的工作，你需要哪些必要的圖像知識？

特征點： Harris角點檢測，SIFT，SURF，ORB。例如，面試官可能會問你：在SLAM系統(tǒng)中，我們?yōu)槭裁匆肙RB，而不用SIFT和SURF？答案是因為ORB比SIFT和SURF快，并且精度也不錯。

描述子和匹配，F(xiàn)LANN算法

相機模型：相機內(nèi)參，外參數(shù)，相機標定。這部分其實是3D的概念，是視覺中的一大塊，但不需要了解得太深，現(xiàn)在這個領(lǐng)域絕大部分還是基于深度學習，只需這些基本的概念了解清楚。

基本的大塊概念：圖像配準，運動檢測，光流算法等。

OpenCV：很重要，任何一個關(guān)于圖像的工程師職位都對OpenCV有要求。Mat基本操作遍歷必須會，其他的東西可以根據(jù)算法推演。

CUDA：這是找工作過程中非常容易贏得優(yōu)勢的一門技術(shù)。任何一個項目如果你說你用了CUDA，并解釋得清除完整，會讓面試官刮目相看。雖然CUDA有優(yōu)勢但學起來并不容易，內(nèi)容比較多。

你需要哪些深度學習的知識積累？

至少熟悉一種框架：如Caffe，Tensorflow，Pytorch，MXNet等。推薦TensorFlow和Keras。Keras適合新手，比較簡單，并且和TensorFlow是一樣的。對于TensorFlow，推薦《TensoFlow實戰(zhàn)》這本書。

至少一次Kaggle項目的經(jīng)歷：Kaggle項目的名次最好在15%以內(nèi)，這樣只需寫一個。如果沒有名次，就可以多寫幾個項目。寫在簡歷上的項目要突出兩點：第一，你把模型重新訓練了一遍。第二，你Ensemble了Multiple models。 Dogs and Cats的獲獎感言中講了一些他做Kaggle的經(jīng)歷，推薦大家去看，可以借鑒他的話用在面試中。歷屆冠軍說的一些感言有很多是十分有用的。

對于這些模型，能夠迅速說出其優(yōu)點：GoogleNet V12345， VGG， ResNet， MobileNet， AlexNet。

模型選擇方面：了解Fine tune，參數(shù)訓練的技巧（如何設(shè)定初值，如何調(diào)參等）

各種面試的小問題：如你平時喜歡用什么Optimizer？為什么神經(jīng)網(wǎng)絡(luò)越深越好？為什么網(wǎng)絡(luò)要Thin呢？Gradient Vanish造成的原因？為什么會造成Overfitting？怎樣克服Overfitting？你怎么看Overfitting？Batch Normalization是什么？還有Range of each hyper parameter，SVM和分類算法的對比，數(shù)據(jù)集大小和切割等。

關(guān)于面試準備過程中的Tips

不要想著準備好了再面試。其實”準備好“是一個難以界定的概念，也許你永遠都達不到所謂的“準備好”的狀態(tài)，等你準備好時很多職位都沒有了，會錯失很多機會。

多面試，才知道職位究竟需要什么技能。AI的職位不像軟件工程師職位那樣有相對固定的需要準備的知識點，醫(yī)療方向有醫(yī)療方向需要準備的東西，無人機有無人機需要準備的東西。多面試才能知道這個職位到底需要什么技能。但是不要一開始就面大公司，可以從一些小公司練手，積攢經(jīng)驗后再面大公司，并且大公司盡量找內(nèi)推。

通過面試失敗總結(jié)經(jīng)驗，建立一個自己的Cheatsheet。當你準備去面試一個陌生的領(lǐng)域，通過把每次面試的經(jīng)驗寫在Cheatsheet上，你就會逐漸知道面試官需要什么樣的項目，你要如何潤色自己的項目。

如果拿不到面試可以嘗試投國內(nèi)公司練手。投國內(nèi)的公司可能拿到面試的機會更大一些，通過這些面試一樣可以積攢經(jīng)驗。國內(nèi)公司可能對算法方面沒那么嚴苛，但其他方面可以對你有很大的指導性，并且問的問題很實際，很接地氣。

面試中可能會面對哪些失敗？

回復很少：有時候你可能沒有把簡歷寫到Recruiter能看懂的程度。如果你簡歷寫得不夠直白，Recruiter沒看懂，他可能就pass了你的簡歷。我們要把項目中最重要的關(guān)鍵詞突出出來，并且可能需要寫一個general的cover letter，讓Recruiter了解你。我們自己也可以去LinkedIn加Recruiter，越多越好，可以直接把簡歷發(fā)給他，增加Recruiter回復的概率。

公司其實并不招人：有時候公司把招聘信息發(fā)布在網(wǎng)上，但其實他并不想招人，他就是要招不到人，才能給自己公司里的人辦H1b。這個時候面試官可能會出特別難的題，這種情況大家需要理性識別，不要一次遇到太難的面試就懷疑自己，從而喪失信心。

代碼沒時間準備：這其實是最不應該出現(xiàn)的問題。代碼在AI工程師求職中是很重要的。每個公司至少有兩輪代碼的面試，Online或者白板面試。大家一定要勤刷題。

項目不夠吸引人：打造一些實習經(jīng)歷，實習是最重要的，有了實習對找全職是非常有幫助的。

心態(tài)已崩：找工作的難度大，但很多時候多堅持一會就能找到工作了。你要知道，如果你是MS最終做了AI，你已經(jīng)為自己省了兩到三年轉(zhuǎn)行的時間。

現(xiàn)在AI有這些比較熱門的方向

自動駕駛、醫(yī)療診斷、推薦nlp、聊天機器人、視覺導航、金融、視覺機器人、VR / AR、監(jiān)控等。