大家好，我是让算法变得更简单的Giant。
最近腾讯进行了2022校招开奖，“白菜总包接近40W”的字眼非常提神。
看到消息我也很激动！2021校招中我有幸拿过腾讯的SSP，不过根据今年的行情怕是要被挂成麻花。
更让我感慨的是，一个在TEG前端研发实习的学妹，转正后拿到了68w总包！
这钱怎么算出来的？
相信你有所耳闻，腾讯 package（总包）= 月薪 * 16 个月 + 签字费 + 股票 + 房补。主要涨了base、股票，还有一线城市的房补从1.5k升到4K（南山区房东大妈已笑哭
）
68 对标25k base和3w签字费。
越来越“离谱”的薪水，再次验证了我之前的想法：“计算机专业依然是普通人获得高薪的最优选择”。
当然，福利好带来的必然结果是想入行的人越来越多，研发、算法的门槛自然水涨船高。
之前也有很多大四或研一的学弟学妹问我，以后想从事DL算法工作应该如何规划研究生学习？
今年再来聊聊这个话题。相信我的建议能给你一些切实可行的帮助，避免错误的学习方法。
一、研究生启蒙
我研一的第一个任务是写爬虫，给高年级师兄提供深度学习训练语料。于是我很努力地学，从requests，beautifulsoup，scrapy到分布式集群部署，努力了3个月，终于实现了微博千万级评论自动抓取。
可我对机器学习还是一窍不通。因为我的认知停留在只要把内容从网页上爬下来，任务就结束了。
直到第4个月，一位学长悄悄问我，你只打算写爬虫吗？
我恍然大悟，心里对机器学习向往的火种被重新点燃。在同学的推荐下，我没有上来直接看西瓜书和花书，而是学习吴恩达和李宏毅老师的机器学习网课。
二、正确选择比单纯努力更靠谱
李老师讲课很喜欢用通俗易懂的比喻。例如最开始介绍监督学习时，他说“假如我们想要寻找一个函数映射，输入是一张图片，输出这张图片是什么类别。我们如何告诉机器想找的函数长什么样呢？我们需要给机器一些训练资料，不仅是大量图片，还要告诉机器，把这些图片丢进想找的函数，输出的结果是什么。例如给它看一张猫的图片，输出是Cat。你把心里想要的输出告诉机器，这件事情叫做打标签。”
“给了机器有label的资料以后，机器怎么学习呢？接下来机器会给函数一个loss，通过loss的大小机器就可以评估函数的好坏。比如现在丢了4张图片进去，输出的都是Dog。实际上这4张图片2张是Dog2张是Cat，所以 f1 这个函数只答对一半，正确率是50%。”
这样有趣又有干货的内容，会让学生觉得听课是一天中最快乐的事，越听越有动力。
相反，有些同学在入门阶段就开始看prml:《pattern recognition and machine learning》，虽然这本书内容足够经典，但一上来就讲概率图、隐变量、贝叶斯方法，如果数学不扎实或者对机器学习理论没有足够热爱，基本属于找虐。
这好比让一个刚接触英语的孩子，一周后要当着全校师生的面做一次口语汇报，孩子肯定会紧张和排斥。
所以想要学好机器学习或深度学习算法，首先是正确选择的问题。所谓谓“万事开头难”需要辩证看待，很可能不是事情本身很难，而是我们没选对方向。
除了网课，这里我强烈推荐一个 Kaggle 30天0门槛机器学习教程，不需要你具备任何的机器学习甚至Python基础，只需要每天抽出1小时。
参与这门课程你会以肉眼可见的速度发现自己的进步。例如学完第一天的课程，你将直接从kaggle青铜晋级到kaggle黄金段位。
kaggle-novice
kaggle-contributor
最后再分享几本我完整阅读并经过时间考验的算法书单：
机器学习：《hands on machine learning with keras and tf》、《统计学习方法》
深度学习：《动手学深度学习》、《Python深度学习》
经过上面的学习（视频、编程、书籍），相信你已经掌握了基本的机器学习和深度学习理论。现在，不妨参考我之前的推文做一个快速测试：
里面我将深度学习内容分为了基础篇和进阶篇，罗列了很多面试常考的知识点，方便你随时查漏不缺。
通过上面的分享，如果你对如何入门机器学习/深度学习还有疑问，可以添加我的微信 cs-yechen 交流。
三、彻底瓦解“越学越不会”
为了避免你“越学越不会”的后顾之忧，我们再来选择一个切实可行的研究方向。
我记得研一看完两位老师的网课还有几本书后，心里还是比较慌的。因为我没有系统的用机器学习完成一个实际任务。
在开始下一步前，我认真研究并总结了深度学习几个主要领域：
如果你喜欢语音交互，熟悉C++，可以选择语音识别、语音合成等研究课题；
如果你喜欢研究文本和对话，熟悉Python和爬虫，可以选择自然语言处理方向；
如果你喜欢图片与视频，熟悉Python，对算法落地也很感兴趣，可以选择计算机视觉方向；
如果你喜欢和数据打交道，熟悉各种脚本，可以选择数据分析和建模方向；
如果你数学和编程非常扎实，可以考虑强化学习和纯深度学习理论研究。
在清楚的了解自己后，我选择了NLP，并在实习公司参与了问答系统项目落地，从数据处理、模型搭建到评估指标统计、封装部署上线，跟着实操了一遍。
虽然偶尔有bug在办公室排查日志到半夜12点，但每天都能看到自己算法能力的进步。
我在很多回答里也分享过，专研一个领域有3种方法：
1）实习/项目
如果研一研二有机会去大厂实习，和优秀的人在一起，耳濡目染，是提升能力最便捷的方式之一。而且公司一般有充足的数据、训练资源，开发环境，解决了很多从事机器学习的潜在问题。
另外通过实习转正拿到校招offer的概率也要比常规秋招大很多。
除了少量大厂的research岗位，大部分算法岗都是以业务为导向。通过算法为业务赋能，提升收益率也是算法价值最直观的体现。
2）科研学术
这条路对于同学自身基础有一定要求，比如英语阅读写作过关，编程熟练等，其次最好有一个学术氛围浓厚的实验室，靠谱的导师。
作为过来人，我很清楚发论文如果单干是很苦逼的一件事。
所谓风险越大回报越大，如果硕士期间能发出几篇顶会，那毕业起点和天花板会非常高。被阿里星、天才少年、北斗计划等顶级offer看中的凤毛麟角中，可能就有你。
3）刷比赛
如果你觉得自己发paper还道行略浅，纯做项目又显单调乏味，强烈建议你在研究生期间参加1-2个算法比赛。
我有一个大二学弟，虽然就读于一所普通大学 (用他自己的话说：不知名四本)，却已经在搜狐举办的文本匹配算法大赛中获得初赛第一，复赛第二，决赛第二的成绩，收到了多家公司抛来的橄榄枝。
参与比赛，你将获得编程能力全方位的锻炼。为了提升排名你会逼迫自己不断优化算法，阅读最前沿的论文，尝试最新的技术等等。
一旦通过努力获得了优秀的名次，不但有很大的成就感，也为简历增添了一大亮点。
目前的算法比赛主要集中在Kaggle、阿里天池、CCKS等平台上，其中Kaggle包含大量机器学习比赛，有成熟的社区开源生态，你可以在评论区学到很多热心网友分享的解题经验，同时比赛奖金诱人(单位：$)。
阿里天池、CCKS、CCF、百度AI大赛则以NLP、CV等深度学习比赛为主。另外，你可以参与LeetCode周赛，巩固自己的编程能力。
一般参与一个比赛的时间周期在1-3个月，如果精力有限，最好2-4人组队，众人拾柴火焰高。
四、总结
通过上面的学习方法，算法从入门到做出成果并不难，一句话概括：无他，唯坚持尔。
虽然你们从网上看到的数据都觉得DL太难了，做DL的人天都要塌了。但是，等等，为什么？为什么DL被你们说的这么卷，还有这么多人来做？
很简单，因为做深度学习越来越能获得高薪了。虽然大家都说深度学习已经是一片红海，但拿到高薪的人却更多了。虽然门槛越来越高，但大厂的福利却越来越好，创业公司的DL岗待遇也很滋润。
拿到offer的底层逻辑始终未变：扎实的基础+突出的亮点。认真把眼前的事情做好，一步一脚印，亮眼的offer自然水到渠成。
最后送你一段话：
生命的每一时刻，都面临着不同的选择。每一次选择，或大或小，都在重塑着我们的生命。如果说人生是一次不断选择的旅程，那么千帆阅尽最终留下的，就是一片属于自己的独一无二的风景。
最近我们建立了深度学习/NLP交流群！想要进交流群学习和唠嗑的同学，可以直接添加我的微信：cs-yechen。
添加时请备注：昵称+学校/公司。群里聚集了很多学术界和工业界大佬，欢迎来一起进阶，突破人生天花板～
后台回复关键词【进群】
加入NLP/算法求职交流群
后台回复关键词【书单】
获取100本AI算法好书！
你好，我是Giant，硕士毕业于浙江大学。公众号「NLP情报局」专注分享算法干货和成长故事，期待你的关注鸭。
您的“点赞/在看/分享”是我坚持的最大动力！
坚持不易，卖萌打滚求鼓励 (｡◕ˇ∀ˇ◕）
904
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
