• LEARN
      Mastery
    • Big Data Engineer
    • Full Stack Engineer
    • Backend Engineer
    • Artificial Intellige…
    • Data Scientist
    • UI/UX Designer
    • Product Manager
    • Business Analyst
    • Entry
    • Career Express
    • CS Fundamentals
    • Project Class
    • Interview Prep
    • Open Class
    • All Classes
  • RESOURCES
    • Events
    • Videos
    • Blog
  • PARTNERS
    • Partner With Us
    • Mastery Programs
    • Discover Talent
  • ABOUT
    • Overview
    • FAQ
BitTiger读书会UX设计人工智能商业分析数据科学求职北美求职故事硅谷硅谷精英访谈录科技趋势程序员面试访谈录计算机科学 All Blog
  • BitTiger读书会
  • UX设计
  • 人工智能
  • 商业分析
  • 数据科学
  • 求职北美
  • 求职故事
  • 硅谷
  • 硅谷精英访谈录
  • 科技趋势
  • 程序员面试访谈录
  • 计算机科学
  • All Blog

Category: 人工智能

非CS背景,我是如何成为AI工程师的?

2018.01.08
作者:Yumi

根据北美Offer故事系列直播整理而成,点击回看视频   人物介绍 小C,BitTiger DS502 AI直通车学员,刚入职一家医疗图像研究所,职位Computer Vision Engineer。EE本科,EE研究生。 主要内容 AI工程师学习准备过程:(C++;图像知识;深度学习知识;简历内容) AI工程师求职面试经验总结   大家好,今天跟大家分享一下自己在AI方向求职的经验,希望能够帮助大家少走弯路尽早收获offer。我在整个求职准备过程中,要求自己尽量在3天内完成每个小目标,因为求职准备时间宝贵,整个求职周期也非常长,所以需要保持一个高效快速的节奏。   学习准备的干货内容 在所有工作开始之前,首先要做的是把自己AI方向的环境设置好,包括以下几方面: OpenCV DL framework(Tensorflow,Keras,Caffe,MxNet) Ubantu C++ Python Machine Learning Basics   关于C++的准备 必须会C++的AI工作 AI Engineer / Computer Vision Engineer / Self-driving Car Engineer / Image Processing Engineer / SLAM Engineer/GPGPU Engineer 不一定需要C++的工作 Data Scientist / Deep Learning Scientist / NLP […]

AI工程师
Read more

什么样的AI简历能被面试官选中?

2017.10.27
作者:Yumi

求职AI工程师,简历的书写上首先要注意以下五点:   相关:简历上写的内容要和这个职位的Job description相关。无论你要走Engineering还是Science的道路,简历上首先要体现的就是你的项目经验,并且越相关越好。做Engineering得有Engineering相关的经验,想做Machine learning就要有和Machine learning相关的经验。 明确:明确表述出一个项目的目的是什么,要做什么,做完之后有什么结果。项目解决了什么问题,用什么方法解决了这个问题需要写得明确,让面试官认为你是经过了一番思考后写下这些内容的。 细节:一些细节需要体现出来,比如项目做完之后产生了什么结果,项目中用到的某种方法,相比以前的版本提高了百分之多少,最好用数字体现出来。 弱点:诚实,但不暴露自己的弱点(学校,GPA,编程语言等)。比如,如果你的GPA在3.8以下,就可以不写出来。 优势:知道自己的优势是什么,并有效展现优势。   简历上应该出现什么样的关键词呢? 首先要和Job description相关,常见的有必要出现的关键词有: Machine learning models:主要在项目中体现,不要只是把它在某个地方列举出来 算法:CNN、RNN等,尤其是和目标职位相关的 Machine learning框架:Tensorflow, Torch等。现在很多公司在用Tensorflow,一些小公司可能想直接用人,会Tensorflow, Torch是很有优势的。   学校里的AI项目为什么不够用? 只是能做学校的项目,并不能达到Hiring manager的要求。一般来说,学校项目比较偏学术,目的是让你知道某种算法是怎样的,为什么是这样的,所以大多数时候只是实现一个算法,不是End to end的。并且,学校的项目是千篇一律的,很多人都和你有一样的项目,没有竞争力。项目要更贴近现实,解决工业界真实的问题,这才是Hiring manager想要的。   之前怎样的工作经历对求职AI 工程师有利? 对于本科以及硕士, CS相关专业:需要相关的实习或者项目经历。 对于本科以及硕士,非CS相关专业:需要大量的项目经历,但是主要难度可能在代码上。 对于博士,CS相关专业:需要相关的项目经历 对于博士,非CS相关专业: 需要想办法把自己的博士工作和相关内容联系起来,尽早准备。   接下来我们来看一个真实的简历案例: 个人背景与需求: EE master 在读 有后端实习经历、学校ML项目经历 求职方向:AI相关全职,General SDE 简历回复率较低,希望可以进一步提升拿到面试的概率   首先看工作经历: 从相关性来说,他的工作经历并不是很相关,做过一些Data analysis,但是大部分时间是在做Data extraction的设计。也有写前端的经验,用了Bootstrap front-end和PHP backend,相关性一般。但有工作经历本身是很好的。 […]

Read more

AI工程师面试自测题答案2

2017.10.16
作者:Evelyn

  Please answer: True, False, Not Sure General questions Computer-vision-related technology is used in AlphaGo to play GO (O) With proper training, machines can beat humans in terms of performance for recognizing objects, sounds, images, etc. (O) Data science fundamentals Say a traffic light has three signals: “red”, “yellow”, “green.” We can index them as […]

Read more

AI工程师面试自测题答案1

2017.10.14
作者:Evelyn

  Please answer: True, False, Not Sure General questions Computer-vision-related technology is used in AlphaGo to play GO (O) With proper training, machines can beat humans in terms of performance for recognizing objects, sounds, images, etc. (O) Data science fundamentals Say a traffic light has three signals: “red”, “yellow”, “green.” We can index them as […]

Read more
Sign up for BitTiger’s blog newsletter!

人工智能工程师行业解析与求职必知

2017.09.18
作者:Yumi

在过去的十年中,新兴产业先后经历了若干次技术浪潮,从Web 2.0到Online Social Network、云计算、数据挖掘、AR,到现在的AI技术浪潮。这两年所讲的AI一般来说是指人工智能中一个特殊的领域,深度学习。   深度学习给AI带来的技术浪潮与前几次的浪潮有一定区别,其带来的社会影响远大于前面几次浪潮。之前浪潮的技术发展主要在互联网领域,而AI浪潮带来的影响却已经深入到生活的方方面面,无论是公司还是政府都加大了投资力度。并且AI的技术发展不仅了带来了欣喜和机遇,也带来焦虑,人们开始忧虑自己的工作会不会被AI取代,甚至AI会不会有一天可以控制人类。现在我们带着这个问题来正确认识AI行业,我们怎么步入这个行业,以及AI的职业发展。   AI的定义及发展历程   AI是在1956年由John McCarthy等大牛提出,John McCarthy认为AI是“The science and engineering of making intelligent machines.”。   第一次AI的大跃进是在上世纪50年代到70年代,这一时期AI的主要投资来自政府,当时也产生过一些AI应用,比如对话机器人。之所以称为大跃进,是因为这个时期人们对AI有种过于乐观的态度,当时有人预计未来20多年之内机器可以代替人类做任何事情,这忽视了AI其实还有很多关键问题没有解决。到了一九七几年浪潮渐渐平息。 第二次比较大的浪潮是上世纪80年代,代表性的发展是Expert System。 上个世纪80年代后期机器学习得到了突飞猛进的发展, 比如第一次把Backpropagation应用在Neural Network中。 2010年之后,随着技术的发展,深度学习在工业界广泛应用于图像识别和语音识别。 2016年,深度学习取得了里程碑式的胜利,Alphago战胜了李世石,所以2016年被很多人称为人工智能的元年。   AI的行业现状和未来趋势     (左侧对应点线图,代表公司成交数量。右侧对应柱状图,代表全球对于AI产业初创公司的投资总量)   这张图显示了全球对于AI创业公司的投资趋势,可以看出,全球都对AI领域的投资在不断提高,对其发展保持着乐观的态度。 大家想一想,为什么投行都愿意把大部分资金投向人工智能,助燃这些星星之火呢,这是因为第四次工业革命已经来临,且不可阻挡。   我们再来看大公司对AI创业公司的收购情况,Google是比较早期做大手笔AI收购的大公司。     为什么这些公司愿意花钱在AI产业中呢?是因为大家对AI未来几年带来的收益呈乐观态度。   这张图显示了从2015到2024年,AI将给全球带来的预估产值。     大家可以看出,2017年,相对于几年之后,AI带来的产值还处于一个起步阶段,在6亿美元左右。到2024年,可以到达120亿。但从今年起,产值会呈翻倍增长趋势,而未来会逐渐放缓,现在正是风口的开端,也是工程师们加入的最好时机。   AI技术的主要应用     那么我们可以从何种领域加入呢,会对哪些领域可能感兴趣呢?目前AI的应用总体上分为六大领域:   Robotics 是机械工程和电子工程和计算机科学的一个交叉学科,顾名思义,这个领域最重要的应用就是机器人。比如Jibo公司推出了Social Roberts,它可以进行对话,拍照,做人脸识别。再比如无人机,它也有一些图像识别系统。该领域内,另外一个比较有名的应用就是自动驾驶。这些都是深度学习在Robotics方面的应用。 […]

Read more

如何成为机器学习工程师?

2017.09.11
作者:Yumi

为什么选择机器学习?     机器学习如今的飞速发展与我们处在的时代密不可分,因为当今数据量的增长惊人,预计至2020年将会达到 44 Zettabytes。为了处理这些数据,云计算能力也急剧加强,现在我们拥有十分强大、廉价并且Scalable的云计算能力,它极其依赖机器学习。此外,随着技术成熟,我们现在可以得到非常廉价的存储技术。我们还有大量的终端设备,每个终端都有一定的功能,并可以和其他终端进行通信。因此,我们的数据量、计算量、存储量、设备数都非常大。   除此之外,随着数据科学领域的兴起,越来越多的人从各种设备、网站或服务器里挖掘有用的数据,由此得到Insights,做一些商业决策。所以数据科学中会大量地使用机器学习算法,这使得机器学习显得更加重要。还有一个不可忽视的原因是,机器学习算法不断地更新繁荣,并且最近越来越开源和平民化,能被更多的普通人了解和使用,这就是为什么深度学习这么受欢迎。     机器学习的未来是什么?我们为什么要学习机器学习? 我们可以用Facebook Director of AI Research的一句话来回答:   “Most of the knowledge in the world in the future is going to be extracted by machines and will reside in machines.”   我们每个人的知识和经历都有限,没办法只用人力解决世界上发生的各种各样的事情,因此需要机器的帮忙。随着机器学习的发展,会有更多的机器有能力挖掘更多的知识并进行处理,这样很多知识就存在于机器里,这也是为什么每个人都需要懂一点机器学习的原因之一。   机器学习在生活中有很多应用。比如,上购物网站时首页推荐的商品,Facebook、微博上推荐的内容,Siri等语音助手,很多广告也是基于机器学习算法在搜索引擎里有新的Ranking,从而点击率变高。另外还有无人车、人脸识别、Surveillance  System、Predictive Policing、预测竞选结果、识别照片等等应用,可见机器学习在生活中的应用十分广泛。   什么是机器学习?   我们来看一下机器学习是做什么的,能解决什么问题。 首先我们来看机器学习的一个类型,有监督学习。     蓝色箭头部分是训练一个机器学习模型的过程。首先有Input,包括原始数据和Labels。然后把原始数据转化成Feature Vectors,将其与Labels结合到一起,通过机器学习算法,训练出一个预测模型,这就完成了Training的部分。 再看绿色箭头部分,同样首先有Input,包括一些数据,同样把他们转化为Feature […]

Read more

人工智能:从科幻到现实的黑科技

2017.09.02
作者:Yumi

人人都在提人工智能,人工智能到底是什么?   人工智能就像一个黑箱,好像任何问题只要遇到人工智能就解决了,到底它是不是万灵丹?到底人工智能是什么?     许多科技电影里都出现过人工智能。在攻壳机动队里,人工智能是人和机器人的结合;在Matrix里,一个机器可以瞬间灌输大量的知识给人类,他们认为这是人工智能;还有一些电影认为人工智能是人控制机器人搏斗,又有电影觉得人工智能是可以自我发展的机器人,它不依赖人的控制,像一个独立的个体,可以和人类对话。   我们会对人工智能到底是什么,它能做什么,产生这些实际或不实际的幻想。   那现实生活中的有哪些人工智能呢?   比如说Apple的Siri,它能做语音识别,把我们说的话自动转化成可执行的命令。在十年前,语音识别的准确度只有70%,而近几年有了深度学习技术,准确度大大提高。即使中国人和印度人说英文有口音,Siri和Amazon的Alexa都可以理解。在这背后使用的技术就是深度学习,它能把语音识别的精准度提升到百分之九十以上。   还有Tesla Autopilot。现在车上的感应器已经可以做到和人一样探测到路上的行驶线,让车行驶在线里,探测出旁边有没有车,可不可以转弯,这也是一种人工智能。   另外还有众所周知的AlphaGo,让我们不得不相信人工智能已经能够思考,并将人类打败。     以上这些都是现实生活中人工智能的展现,我们不知不觉中已经活在AI的时代,并且人工智能领域还在飞速发展,其中隐藏着巨大的机会。   事实上,虽然在很多领域人工智能的表现还是不如人类,但在部分领域里人工智能已经能够超越人类,比如人脸识别,图像识别等。我们在这里可以下一个定论,在未来人工智能会全面地超越人类。   比如图像识别领域。现在我给你一张图,请你告诉我这张图是什么。比如我给你呈现下面的这张图,你可能很快就认出这是一条狗,或者更精确地认出这是一只哈士奇。     一般来说,在做图像识别时,人类的错误率大概是7.5%。而在2010和2011年时,用电脑做图像识别的错误率接近30%,但在2012年瞬间变为百分之十几,然后当深度学习的技术介入后,在2015年电脑的判定能力已经超过了人类。   并且,以前可能电脑只能做一些比较粗略的判定,例如判定一张图是猫还是狗还是人,但现在电脑可以做非常精确的分类,不但可以识别出是一只狗,而且可以辨认出是哪一个品种的狗。比如上面两张图其实是不一样品种的哈士奇,但一般人除非非常了解,很难辨认出来,而电脑就可以轻松做到。   还有一点可能很让人惊讶,我们一直以为创作能力只专属于人类,但其实人工智能也能创作。比如以下的这两首诗,都是机器写出来的,在平仄、押韵甚至是诗的境界和语义方面,都做得很不错,比很多人写得都好。     机器人现在不但能创作,还能画画、作曲,虽然说在很多创作和画画的方面还是不如人类,但是它一直在进步。   人工智能的市场需求是什么?   Google,Facebook,Microsoft,Apple,Amazon等巨头都在往人工智能领域前进。下图表示了Google运用深度学习技术的项目数量,可以看到数量是呈指数增长的。     此外,自从2012年后,众多创业公司在短短几年内就募集了38亿美元投资这个市场。据报告统计,截止2016年9月20日,中国人工智能创业公司数量约在200-250家,大部分创建于2010年后。   所以无论是投资人、大公司还是创业公司,国内还是国外都在不断地往人工智能领域投资,这意味着他们需要雇佣更多人工智能领域的人才,人工智能市场还存在着很大的人才缺口。   人工智能的产业环境是怎样的?   整个人工智能分为三层,第一层是应用层(applications),即把人工智能和深度学习技术用在某一个领域上,比如无人驾驶、机器视觉、语音识别或自然语言处理。   第二层是技术层(technology),涉及模型、算法,开源代码。主要是深度学习,目前所有机器学习的技术基本都被深度学习取代了,只有在非常具体的情况下,一些机器学习的算法和模型才能存活。深度学习之所以这么强大是因为它非常精准。   第三层是基础层(infrastructure),指大数据、计算引擎、深度学习芯片。   人工智能的职位需求是怎样的?   当把Python和Machine […]

Read more

About

BitTiger is the lifelong learning platform from Silicon Valley.

  • contact@bittiger.io
BitTiger Careers

Follow Us

Legal

Privacy Policy
Terms of Use
Terms of Service
Code of Conduct
Copyright Policy

All Rights Reserved ©2017 BitTiger, Inc.