更新时间:2022-08-22 14:03:20
还有其他的干货,我也帮你们附了链接:
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。我们可以用graph做什么呢? 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:
当然,除了这些,业余时间你要做的似乎更多:
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、***、GitHub来取得面试机会。 一切刚刚好,招聘人员也表示,已经为他安排了面试。 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。 简单来说就是:
想清楚这些就够了。 怎么样,干货满满的对吧?
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)。 障碍不是智力的问题,而是毅力的问题。