机器学习研究员招聘

机器学习是人工智能最重要的方向之一。机器学习和数据挖掘技术在互联网行业几乎所有的场景和环节都可以使用。难度在于如何使用，如何比竞争对手用的更好。这是一个关于解决问题效率的问题，效率关乎生死的道理不用再强调了。举个例子，机器学习经常被用于商品推荐——经常推荐用户不愿意买的商品，那电商平台九离倒闭不远了）、广告点击率预估——广告主是按照点击的次数和权重收费的，如果把别人不愿意点击的广告放在最前面，那赚不到广告费，公司也要倒闭了。这些问题说到底都是在解决一个问题，那就是预测。回到人力资源的招聘问题，如何选择合适的人员非常具有挑战性？考眼光？靠直觉？还是要靠排山倒海的简历？这些都很重要。但是理性的说，招聘本质上是一个预测问题。阅读求职者的简历时，你希望从求职者的过去推测出未来，哪些行为和求职者未来会在工作中表现良好相关，哪些不会。所以仔细的审查求职者的简历与背景。所作的这一切都是为了准确预测到那个未来会在公司里满足岗位需求的员工、适合企业文化的员工。说到底，建立机器学习的算法用于预测员工问题，最实际的是帮助人们决策，因为现阶段谁也不会把决策权完全交给机器，那么机器学习算法将会像“职场保护神”一样存在在公司中。出了差错谁担责，机器学习算法；决策错误谁担责，机器学习算法；公司倒闭谁负责，机器学习算法。所以，机器学习应用，辅助处理大量的数据，改善招聘决策的可能性。总部位于伦敦的初创公司Applied公司获得了200万美元的融资，公司在2016年推出了其软件即服务招聘平台，创始人Glazebrook表示，到目前为止，超过55个雇主已经使用它来招聘超过2,000个职位的候选人。截至目前，已有超过50000名候选人通过Applied申请。例如，从职位描述设计中，有八种不同的员工特征被自动挑选出来。公司采用新的、多样性的招聘方法，解构和重新设计传统的简历限制流程，利用行为科学对雇主提供帮助，填补他们可能忽略的熟练候选人的空缺，也就是让机器来帮助雇主慧眼识金，不要错过天才员工入职，也不要让天才员工离职。比如霍尼韦尔放走了微软的联合创始人保罗艾伦。但是机器学习算法是否应用得如此顺利呢？在2014年至2017年之间，亚马逊试图建立一个算法系统来分析简历，并给出建议以挑选最好的雇员。如果它确实有效的话，将会是人力资源部门的福音，但事实并非如此。在该公司根据其自己的招聘数据训练了该算法之后，据报道该算法对女性申请人产生了偏见。“女性”这个词会使算法专门对申请者的排名会较低。亚马逊工程师试图解决这个问题之后，算法仍然无法实现，项目结束了。如果没有充分考虑其社会和法律影响而未部署机器学习系统可能导致的潜在危害，亚马逊的故事已经敲响了警钟。但是，亚马逊并不是唯一一家致力于这项技术的公司，那些想要在没有适当保护措施的情况下接受这种有性别歧视的公司，可能面临他们无法解释的算法的法律诉讼。算法错了就可以免于在职场歧视女性的起诉吗？当然不会，法官会让你解释数据和算法，并为公司的歧视行为负责。所以，亚马逊放弃这个人力资源的机器学习项目非常明智。再简单的解释一遍，出现了一个带有歧视女性的算法，算法工程师也救不了它，所以项目流产。这对应用机器学习算法进行简历筛选工具的公司来说不算一个好消息。根据美国的规定，公司要对他们最终做出的招聘决定负责，让他们对他们使用的工具负责。平等就业机会委员会的法规甚至要求在出现偏见索赔时保留用于招聘决策的数据，这意味着即使公司不知道为什么算法选择一个候选人而不是另一个候选人，公司也可能要承担责任，不能把责任简单的推给机器学习算法，哪怕有些过程确实解释不清，是不是需要在法庭上给法官上一堂机器学习是端到端的学习（end-to-end learning）的小型介绍演讲。尊敬的法官大人：深度学习模型在训练过程中，从输入端（输入数据）到输出端会得到一个预测结果，与真实结果相比较会得到一个误差，这个误差会在模型中的每一层传递（反向传播），每一层的表示都会根据这个误差来做调整，直到模型收敛或达到预期的效果才结束，这是端到端的。法官大人：你出去。显然，机器算法存在局限性，但人类判断也存在局限性。在不久的将来，在大型企业与机构中，很难想象一个仅使用人力和仅使用机器智能进行招聘的世界。换句话说，当试图选择合适的人才时，最好充分利用两者的优势。（完）亲爱的数据出品：谭婧美编：陈泓宇亲爱的数据

在2017年谷歌开发者大会上，谷歌云首席科学家李飞飞宣布成立谷歌AI中国中心，谷歌AI中国中心将由她和谷歌云AI及机器学习研发主管李佳共同管理。重磅谷歌AI中国中心正式成立:已开启研究员招聘其实，早在今年9月份的时候，就有媒体报道谷歌已经开始在中国招聘AI人才，从曝光的招聘信息来看，谷歌招聘的职位有机器学习研究员、机器学习技术主管、机器学习软件工程师、云端机器学习产品经理等，所涉及的岗位便有20多个。在开发者大会上，谷歌证实中国中心的研究员和工程师招募工作已经开启，不过所有的面试将在美国进行。我国对AI技术也相当重视，并计划在2030年成为AI技术的领导者。

介绍人工智能是当前一个有趣的行业，机器学习从业者现在是“酷孩子”。但是，即使在“酷孩子”中，机器学习从业者群体之间也有明显的区别，更具体地说，是研究解决方案的人和设计解决方案的人之间的区别。 话虽这么说，但这种区别并不那么清晰。本文旨在揭示机器学习研究员和ML工程师角色之间的一些关键区别。 突出两个角色之间的差异可以使您获得做出更好的学术和职业选择所需的信息。在继续进行之前，需要注意的是，我使用术语机器学习工程师和研究员作为以下角色的总称：计算机视觉工程师/研究员自然语言处理工程师/研究员数据科学家关键差异1.工作角色描述机器学习工程师角色的主要工作为在已实现的软件/硬件解决方案中实现机器学习算法和模型。机器学习研究员角色的主要工作与机器学习中特定学科领域的发展有关。2.学术背景ML研究员通常有博士学位。他们往往是具有较强学术和研究背景的人。 他们还拥有与计算机科学相关主题的高级学位。 大多数ML工程师拥有硕士学位，只有少数ML工程师拥有博士学位。为了了解ML工程师和研究员的学术背景，我使用了LinkedIn（https://www.linkedin.com/） 。 浏览了许多职位名称中有“机器学习研究员”，“机器学习科学家”或“机器学习工程师”的个人资料。3.交付物/最终产品ML工程师的可交付成果通常是带有机器学习模型的工程解决方案，该模型能够以自动化、高效或创造性的方式执行一组任务。 对于ML工程师而言，最终产品或可交付成果可以是一种软件，其中的功能由机器学习方法提供支持。鉴于ML研究员的可交付成果往往是一篇写得很好的研究论文，其中包含为实现特定机器学习相关任务中的性能/准确性的特定进步或改进，和实验和调查研究的详细信息。 ML研究员的最终产品将是对新发现的发现，改进或分析的有记录探索，然后提交并被国际会议和科学期刊接受。4.工资薪水可能是许多读者最感兴趣的关键区别。机器学习从业人员的需求量很大，这与机器学习相关的职位提供的薪水反映了这一点。例如，《纽约时报》的这篇文章提到了顶级AI研究员的薪水超过100万美元。显然，在高要求的行业中，前0.01％的个人中有很高的薪水。在英国，从2020年4月3日开始的六个月内，机器学习研究员的平均工资（https://www.itjobswatch.co.uk/jobs/uk/machine%20learning%20researcher.do） 为 57,500英镑。另外，同期的机器学习工程师（https://www.itjobswatch.co.uk/jobs/uk/machine%20learning%20engineer.do） 的平均工资为68750英镑。因此，在英国，两个ML角色之间有10,000英镑的利润差异。根据LinkedIn的ML研究员的平均基本工资（https://www.linkedin.com/salary/machine-learning-researcher-salaries-in-united-states） ，在美国是 $143,000（110 ML研究员）。对于美国的ML工程师（https://www.linkedin.com/salary/machine-learning-engineer-salaries-in-united-states） 来说 ， 这个数字减少到$ 125,000，但其中包括来自900多个ML工程师的更多数据。就我个人而言，根据对我在AI行业研究和合作过的人员的观察，金钱动机不是主要的。 接触和了解知识的机会似乎对我这个团队（包括我自己）更具吸引力。 简单来说，年轻的机器学习工程师可能更在乎吹牛的权利和影响力，而不是金钱上的激励。 不管薪水是否高昂，谁不想成为FAANG公司（https://www.dictionary.com/e/acronyms/faang/） 之一的机器学习工程师或研究员？ 不要认为统计数据不能反映该行业的真实平均薪资，应将其用作指导而非绝对事实。5.工作/项目范围ML工程师需要看到更大的图景。ML研究员需要更专注的视角。软件工程是一门学科，需要了解与产品，过程或管道相关的组件。这一点至关重要，因为工程师要负责集成多个组件。以下是典型的ML工程师在项目期间要解决的一些问题：了解ML模型使用的数据格式了解从数据源收到的数据格式实现与数据池和数据库的连接以存储和访问数据。了解最终产品将使用的环境，因为这可以决定分配的资源级别，以确保高效的运行时间和最佳的运行能力。另一方面，ML研究员的工作范围往往非常明确。ML研究员需要非常专注。ML研究员无需担心ML模型或算法在各种环境中的性能如何。ML研究员的工作往往非常注重问题和具体。通常情况下，他们的任务是寻找解决问题的新方法或提高以前设计的解决方案的性能和准确性。6.工作角色要求对于ML研究员的工作角色描述和要求是精确的，并且侧重于机器学习的特定领域。 ML研究员的典型职位要求包括：机器学习平台和库的知识，例如TensorFlow，PyTorch，Keras等。能够进行文献综述并以精心编写的研究格式呈现报告和实验结果，以提交会议或科学期刊机器学习中特定领域的可靠知识，例如概率模型，高斯过程，强化学习等深刻理解机器学习中的基本主题，包括理论知识ML工程师的典型职位要求包括：了解云计算服务，例如Google Cloud Platform（GCP）（https://cloud.google.com/） 和Amazon Web Service（AWS）（https://aws.amazon.com/cn/）熟练使用Java，Python，JavaScript等语言进行编程具有将机器学习模型部署到生产环境中的经验体验在边缘设备（例如手机）上部署机器学习模型的经验能够实施，评估和测试针对常见问题（例如目标检测，语义分割和图像分类）的最新解决方案能够从已发表的研究论文中提取关键细节和信息，并将发现结果传达给项目涉众。具有实施数据挖掘脚本的经验。7.重叠的部分ML研究员可以进行工程设计，而ML工程师也可以进行研究。成为一名机器学习从业者还意味着精通现代的软件库和硬件。机器学习本身（如果涉及多个学科）和职位通常不能完整地描绘角色。为了说明我的观点，ML研究员可以在实际研究和工程设计之间分配70/30的比例。ML工程师通常在工程和研究之间的距离为70/30。我可以证明，在ML工程师的研究和工程之间是可以分开的，因为在我目前担任计算机视觉工程师的职责范围内，我花费了大量时间将ML模型工程到解决方案中，例如网站或移动应用程序。同时，我花了很少的精力来搜索PaperWithCode（https://paperswithcode.com/） 或ReseachGate（https://www.researchgate.net/） ，以查找针对我要解决特定问题的已发表研究论文。结论本文中没有提到一些差异，在Google的快速搜索会提供相应的结果。 无论您选择追求哪种职业道路，都必须承认以下事实：这两个角色都需要大量的时间和精力才能获得，但要明白努力是有回报的。

PingWest品玩9月4日报道，搬到新址一年后，Google打算从0开始在北京组建一个人工智能研发团队，目前已经开启招聘。招聘岗位集中在机器学习领域，包括机器学习研究员、机器学习技术主管、云端机器学习产品经理等。据人工智能行业新媒体“量子位”报道的消息，这不仅是一个工程团队，还兼具技术研发的任务。涉及的AI方向包括：计算机视觉、视频处理与理解、图像处理、语音识别、自然语言理解、文本理解、分类、模式识别、推荐系统、定位系统，以及机器学习、深度学习、优化的算法基础、人机交互，数据挖掘，AI+医疗保健，计算基因组学等。以及关注的行业包括：商业和零售、媒体和娱乐、医疗保健、金融、交通等。但是如果在中国运营云端业务，还需要引入一个合作伙伴，才能符合法律法规的要求。打算利用人工智能重返中国并不是毫无根据，透露，他们的TensorFlow在中国的用户数量已经超过14万，是世界上最活跃的地区。并且，中国政府正在鼓励发展人工智能。更多精彩请关注我们的微信公众号：新闻线索请投稿至：wire@pingwest.com

作者 | David Mack 来源 | AI开发者 本文作者 David Mack，为了从事机器学习相关的研究，他辞去了工作，在没有固定收入的情况下进行了一年了探索。本文是他对过去一年经验和体会的总结。梯度下降引导的旅程最近，我发现我的生活需要一个新的挑战。我厌倦了我的日常工作，坚持想自己去从事机器学习研究。这一年充满了挑战，且收获颇丰。我经历了许多失败和一系列意想不到的成功，走上了一条完全不同于之前设想的道路。在这里，我将告诉你我的经历：我做了什么，哪些成功了，哪些失败了，我学到了什么，我会做什么不一样的事情。如果你渴望进入机器学习领域，或者想知道成为一名研究员需要什么，希望我的文章能够帮到你。我从哪里开始随着时间的推移，我工作中的学习和挑战逐渐减少。以前有很多未知的技能需要学习，现在我每天只需要按照一个规律的模式执行就可以。我对没有已知解决方案的开放性问题感到最为兴奋。我越来越多地把空闲时间花在阅读学术论文和草拟解决开放性问题的方案上。有一天，我坐在森林里的树桩上，等着一个朋友回来，我突然产生了一个想法，那就是我不得不辞职。这种清醒的时刻是奇怪和罕见的，你永远不知道它会出现在什么时候。第二天早上，我告诉我的团队我要离开。在大学里，我攻读了计算机科学的本科和计算机科学与数学的硕士学位。我一直渴望进一步学习，但从未找到一个吸引我的环境。在我辞职的时候，我很幸运有了一些存款，所以放弃全职工作就不那么可怕了。我每周工作 2 天并减少开支以使我的财务收支平衡。我的搭档帮助我，我很多周末都在工作。热身运动在辞掉工作之前，我已经开始从事微型研究项目，我会做一些有趣的东西，在网上写下来，这个过程不会花太多时间来完成。这大大增强了我走这条新道路的信心。通过指导和出版它们（这里是其中一个例子），我向自己展示了我有研究的基本技能。我鼓励任何正在考虑进行研究的人找到一些小项目，并把它们做完。它很有趣，并且能让你体验整个过程。开始在进入全职研究之后，我做的第一件事就是建立 Octavian.ai，这是一个我可以在网上写作的地方。我将一个网络流量网站，一个媒体出版物，facebook 和 twitter 整合在一起。虽然我在美术上花了很多时间（我也喜欢平面设计），但在过去的一年里，这个网站一直是我用得最多的地方。当人们对我的工作感兴趣时，我经常让他们去看看这个网站。我还发现，有一个品牌可以将我们所有的工作和各种演讲活动联系在一起。我相信这个品牌帮助我们发展了我们的社区，因为它帮助组织看起来更加连贯和专业。我没有为这件事情筹集任何资金。这只是一种个人探索的工具，不适合提升。科研并不是魔法我需要克服的最早的障碍之一是改变进行研究是一种只有精英才能完成的神秘活动的想法。我现在已经从一些学生、研究人员和工程师那里听到了同样的感受。即使是出版过相关著作的研究人员也偶尔在 Twitter 上承认感觉自己像冒名顶替者，而不是「真正的研究人员」。虽然我还只是研究领域的一个刚入门的学生，但我听说很多人对此感到消极，所以我想发表一个声明：研究不是魔法。这只是一个处理问题、定义问题、列出解决方案、尝试解决方案、了解什么方法有效以及记录这些问题的过程。任何聪明、勤奋的人都可以走这条路。此外，你很容易因为害怕自己能力不够或者这件事情不值得去做而放弃。相反，开始研究吧，给它时间去自由发展。进行研究需要很长时间我今年最大的收获之一就是投入了很多时间、精力和资源来进行研究。具体来说，我的意思是产生成功的结果：一种比其他人表现更好的方法，或者发现一个能帮助其他人的问题。在我的职业生涯中，我很清楚计划的谬误：「预测完成未来任务所需时间经常会表现出乐观主义倾向，我们会低估所需的时间。」然而，我花了很多时间在研究项目上，才真正做到这一点。我发现每个项目都会经历一个周期：蜜月期：对问题和潜在解决方案的强烈兴奋、好奇和乐观开始工作：打开代码编辑器，整理数据集，勾画出实验架构，满足线性进展第一个障碍：解决这个问题比最初设想的要困难。数据处理需要更多的工作。最初的想法是错的。悲伤、漫长的驱动/低谷：坚持成为支撑的动力，需要修复更多的错误，需要编写更多的测试用例，更多的变化需要尝试。未来可能会成功，也可能不会。最后终于成功：完成这个项目过程中的一个快乐时刻。你可能永远不会到达这里，或者你可能会彻底证明你的方法永远不会奏效。如果是，返回到第一步。把它拿出来：写作，然后点击发布。至此，你唯一的动机就是不再参与这个项目。你点击发布并离开办公室。在我的心理评估中，我通常只记得步骤 1 到 3。我的记忆抹去了悲伤的事情，这也许是为了保护我的热情。我现在对我承担的项目范围更加谨慎了。我有一个评分系统：新数据集？+2 分数据集太大，无法放在一台机器的内存中？+1 分从一篇没有代码的论文中实现？+1 分不适合库的结构：+1 分用多个 GPU 训练？+1 分集群训练？+3 分我花了很多时间构建数据和训练基础设施。例如，一个项目的大部分是将一个模型转换为在一个 TPU 集群上运行（这是我当时唯一拥有的云资源），这样我就可以测试出注意力函数的变化。经过大量的努力，我得到了一个消极的结果。我选择放弃学术论文，转而在媒体上写博客。这是一把双刃剑：它牺牲严谨性，让我有时间折腾更多的项目。有人和我的朋友们这件事的讨论利弊，他说：「如果你写一篇论文，大多数人无论如何都读不到这篇博客文章了」，这就解决了问题。考虑到自己的个人时间之外，我现在非常感谢研究机构的资源。即使是写一篇论文，理想情况下你也需要一个团队的合作者，几个月，大量的 GPU 时间，然后几个人来帮忙写。与初创企业和图书行业一样，深度学习研究也是一个基于点击率的模型——一小部分的论文将获得最大的关注。研究就像抽奖：有些票会有奖品，但你不知道是哪一张。最好的办法是买很多票。作为一名独立研究者，我必须仔细挑选几张票。无钱训练机器学习研究中花费在增加人工智能的冬天由于 GPU 的发展而部分解冻了，其中很多地方都解冻了。这张来自 OpenAI 的图表显示了训练资源呈指数级增长的明显趋势，即产生最新成果的成本越来越高：计算规模（归功于 OpenAI）在今年年初，我收集了我能得到的资源：一堆谷歌云信用卡。我把自己的一些钱投入了托管。与任何研究实验室都能接触到的资源相比，这一点都显得苍白无力。由于以下几个原因，资源不再是瓶颈：建造一个能够证明大量资源是合理的东西需要花费大量的工程时间。我一直很小心地只在资源发挥作用的时候使用它们。我选择了一些数学/理论性更强的问题（而不是在拟合问题下「将模型放大」）。在某些情况下，你可以使用较小版本的模型进行试验，然后在充分调试后再花掉训练预算。随着时间的发展，一些善良的人和组织捐赠了资源：FloydHub：使用 GPU 在云计算机上运行机器学习实验的一种非常简单的方法。Google TPU 研究云：TPU 现在是我最喜欢的大规模训练方式。编程模型将你的训练分为多个 batch，因此要使用更多的机器，需要增加 batch 大小。我真的很感谢上面两个资源的支持，它使很多工作成为可能。无钱招聘我真的很喜欢创造有自己生命的东西。小时候，我写过多人游戏引擎，程序世界和 BEAM 机器人。作为一个成年人，我开始尝试创建公司。每天 SketchDeck 都会聚集许多伟大的人，他们会制作精美的作品，这给我带来了很多乐趣。作为 Octavian.ai 项目的一部分，我想创建一个合作者社区。事实证明（毫不奇怪）很难说服人们在没有钱的情况下与你共事。他们也是要恰饭的。然而，一些人确实站起来并做出了贡献：Andrew Jefferson，一位我终生的朋友，在从事日常工作的同时，他编写、评审、演讲、发表文章和幻灯片。今年夏天加入的 Ashwath Kumar Salimath 帮助撰写了一系列文章，并发表了自己的文章。谢谢你们俩！此外，随着这一年的发展，许多人加入了我们的聊天室。一个对图形机器学习感兴趣的群体慢慢出现了。我们进行了很多有趣的讨论，我真的很高兴对这个话题感兴趣的人找到了彼此。无钱营销随着深度学习从学术界一个不起眼的角落成长为一个价值 10 亿美元的行业，我们看到了学术界和全球营销预算的奇妙交叉。一切看起来都很完美，许多会议和训练营应运而生。我在 Octavian.ai 的营销上投入了 0 美元。这一年来，我发现我们接触读者的最佳方式是：谷歌搜索带来了我们大部分的博客流量我们的免费机器图形学习课程通过 HackerNews, Reddit 和 Twitter 进行了大量分享。在会议和会议上交谈会带来流量和有价值的互动在图形上进行机器学习是非常适合的。我最感兴趣的是在这个世界上找到真正重要的人，而不是试图扩大眼球或收到更多喜欢。在没有主管和团队的情况下生存今年年初，我真的低估了一件事，那就是与主管和团队合作。我有时开玩笑说，我这一年是「攻读博士学位的第一年，不同的是，没有导师，我自己在家里学习」。作为一个创业者，我有着强烈的独狼心态。我一般不想等待外部因素，相反，我相信通过坚持不懈，我可以到达任何我想去的地方。我很幸运有几个亲密的同事，一年来有一个不断壮大的社区来支持我的努力。然而，我的大部分工作是在相对孤立的环境中完成的我现在认为我可以和主管一起进步得更快。这在一些方面会有所帮助：向我提出好问题指导我找到我不可能想到的好办法压力/灵感，做得更好作为一个团队的一员会帮助我：交流和发展更多的想法更快地测试想法互相学习尝试更多的事情编写更全面的报告独自工作（大部分）是孤独的。你需要在精神上能快速恢复，并且坚定地相信自己能到达目的地。最后，从脆弱的角度来说，当你工作之外的生活陷入困境时，做这种工作是非常困难的。生活的曲折消耗了足够的能量，很难继续进行单独的研究。发现好问题这是我一年来发展的最大的技能。我现在相信这是研究的第一步，也是许多人成功的秘诀。选择要解决的问题是一门艺术。这一年来，有那么多人来找我，要求我帮助他们挑选自己的研究问题，于是我写了一份建议清单。在今年年初，挑选一个问题进行研究既令人困惑又令人担忧。现在我有了一个很长的列表，列出了我想要探索的领域，以及度量标准和实验的概念。我认为这项技能需要时间来提高。这是直觉（根据过去的经验），什么问题适合研究，什么适合你的资源，以及什么解决方案可能会挖掘出一些成功。以下是发展这种技能的一些建议：在公共数据集/已知问题上参与比赛可以让你保持诚实——你有模型可以击败并能建立成功的标准。尽管为新类型的问题创建自己的数据集也很有价值，但在这里，你更容易满足于你的解决方案是否真正新颖，并且很难让其他人对你的工作感兴趣。阅读大量的论文，看看他们遇到了什么问题，他们如何试图解决这些问题，以及他们如何衡量成功。与人交谈。撰写研究建议并获得反馈。寻找在现实世界有价值的问题——如果你解决了这些问题，自然会有更大的成果和更多的关注。倾听你的好奇心：作为一个研究者，你的动机是一个有价值的催化剂。如果你觉得有些东西还没被充分发掘，去看看吧。如果你们是两个不同领域的专家，看看这两个领域的交叉点。你可以得到一些别人没有的灵感。参与整个研究项目的生命周期将使你获得其他方法无法获得的洞察力。将最初的想法与最终的结果进行比较。写作是生命之源你所有未沟通的想法都将被忽略。提高写作水平的最好方法就是写作。在写作中（无论是想法还是结果），你不确定的想法都会暴露在你面前。我的写作能力和研究思路在一年中通过写许多文章而得到了很大的发展。技术题材常青你不知道什么会引起读者的共鸣。写作的另一个好处是它提供了参与度统计数据。查看哪些文章做得好，哪些文章做得不好，我对此无限着迷。其中有一些我也经常感到惊讶。我早期写的文章之一「如何选择学习速率」，是目前 Octavian 上阅读量最高的文章（66K）。在写作的时候，我从来没有料到这一点。没有博士学位自从本科毕业以来，我一直在考虑是否要攻读博士学位。作为一名本科生，我花了一个夏天的时间和团队一起完成一篇论文，最后一学期我的硕士论文都是为这门课写的一篇研究论文。最终，我从未发现我想要的环境、团队和问题的结合。我在创业过程中发现的精力和活力对我更有吸引力。我认为没有博士学位对我有一些不利之处：博士学位让你有时间阅读大量论文和实践研究技能。博士学位给了你一个有利于良好研究的导师和环境。博士学位是一系列现在对我有吸引力的工作的预期切入点。我仍然对攻读博士学位持开放态度。我表妹很了解这个职业，并准备攻读第二个博士学位，所以我很感激有很多途径可以了解这一点。我会怎么做呢？这一年过去后，我现在可以反思一下我可能可以做得更好的方式。首先，我不后悔。我能给自己的最大礼物就是时间。有足够的时间和空间去关注我的好奇心，努力完成对我来说很重要的项目，这是非常特别的，我真的很幸运我能做到。对我来说，今年开始是一次真正的冒险。目的地未知，我将边走边摸索未来的道路。今年我有许多宽松的目标，其中一些已经实现：向我自己证明我有能力进行学术研究。我想我做到了。这一年我学到了很多关于构建 ML 系统的技巧和研究的技巧。我对自己的研究方向也有了更好的了解。我看到自己仍在思考问题，掌握了基本技能。我能够完成所有的研究步骤，并有信心指导学生们。创建一个机器学习驱动的企业。我在这个目标上失败了。我探索了很多想法，和很多人交谈，但没有找到答案。这在一定程度上是因为这个目标并没有集中在解决一个真正的问题上；我从来没有发现一个我非常想解决的问题。提高我搭建机器学习系统的技能。我确实做到了。在每一篇已发表的文章（以及一堆未发表的文章）后面都有大量的代码、阅读文章和调试模型。我花了大量时间在训练和数据基础设施上。我的实现技能大大提高了，我对系统为什么不能工作以及如何处理它有很强的直觉。制作一份学术级的研究报告。我没有达到这个目标。到今年年底，我已经建立了尝试这一点的技能和研究问题清单，我的最后一个大项目没有产生积极的结果。我没时间尝试更多的解决方案。不过，它确实教会了我很多关于扩大 TPU 训练的知识。我想花更多的时间来实现这个目标。一位朋友在这一年给我的一条建议是，为了我的兴趣，寻找世界上最好的人，并向他们学习。我仍然不知道如何在没有博士学位的情况下完成这项工作，但这并不意味着这是不可能的。我时常反省自己的中心目标是什么。一个持久的答案是「创造我引以为傲的东西」。我坚持自己的高标准，随着我的学习水平的提高而提高，因此我倾向于认为我所有的工作都不够好。感谢所有帮助我走上这条道路的人。

图片来源网络随着人工智能的普及和物联网的不断发展，研究和应用人工智能技术的人越来越多，但是人工智能领域人才供需极不平衡，据央视报道，预计当前我国人工智能产业内有效人才缺口达30万，薪资方面，对于毕业生开始过，AI相关职业的起薪在30~40万，特别优秀的人才没有封顶。今年还有179所高校新增了人工智能专业，超过了去年的五倍……2021届的大厂校园招聘正如火如荼的展开，还没投递简历的朋友们，一定要记得在截止之前投递呀~贴心的某编再放一下网申截止时间：腾讯校招：9月16日中午12点百度校招：10月9日字节跳动校招：10月31日16点京东校招的网申在15号24点的已经截止了……想获得年薪百万的OFFER吗？人工智能领域有哪些岗位在热招，杭州发布“紧缺专业人才需求目录”里人工智能领域就有15类图片来源网络作为应届生，我们没有带队经验做不了算法专家和leader,但是大厂校招里，还有许多关于人工智能领域的岗位在招聘……互联网大厂2021届的校招在招哪些岗位，果然有很多岗位都和人工智能相关机器学习、计算机视觉、自然语言处理、智能驾驶比比皆是……给大家举几个例子吧一、机器学习研究员职位描述：1、针对特定的应用场景设计机器学习模型，向业务线提供回归、分类算法支持；2、能够独立完成数据处理、模型搭建、性能优化、工程上线的部分工作；3、分析已有模型在线上线下数据的性能表现并提出可行的迭代方案；4、机器学习、深度学习、计算机视觉前沿技术的研究和创新；包括但不限于：对抗样的生成和防御，deepfake的生成和检测，机器学习中的隐私保护等职位要求：1、博士学历，2021届应届毕业生，计算机相关专业；2、扎实的机器学习、深度学习理论基础和实践经验；3、熟练的编程能力，精通至少一门编程语言，如Python，C/C++等；4、熟悉并能深入理解常用的机器学习算法、深度学习模型；熟练使用至少一种深度学习框架（如Pytorch，TensorFlow，Caffe，Keras，MxNet等）；5、有良好的沟通能力，具有团队合作精神，优秀的逻辑分析能力和学习能力；6、有在机器学习顶级期刊或会议（如ICML，NeurIPS，ICLR，CVPR，ICCV，ECCV，JMLR，TPAMI，IJCV等）发表经历者优先二、人工智能异构计算工程师1、 参与AI计算平台的研发与优化工作，从计算、通信、调度等角度全面的优化AI计算的软硬件效率，从而为公司和业界贡献高质量的AI基础技术2、 参与AI高性能计算库的设计与实现，利用传统的手写或先进的AI编译技术持续优化AI算子效率，通过codegen/自动模型压缩等手段，挤压硬件算力的极限3、 参与AI集群的设计与优化，结合训练/在线推理/离线推理等场景特性，利用弹性DL/感知调度/高性能通信库等技术，实现高效率的软硬件一体化集群1、熟练掌握C/C++/Python等至少一门语言，以及算法和数据结构等基础能力2、有OPENMP、CUDA等常用的并行计算开发经验3、熟悉主流的深度学习编程框架（PaddlePaddle/TensorFlow/Pytorch/MXNet）4、富有激情和创造力，对底层技术有强烈兴趣，学习能力强，良好的团队合作能力三、自然语言处理算法工程师1、深入研发并努力创新自然语言处理相关的知识库、词法、句法、语义、文档分析、深度学习、机器翻译、智能对话等技术，包括新颖的算法/模型的提出，模块的实际开发，对接自然语言处理平台的接入以及把高水平研发成果以论文/专利等形式进行发布2、理解自然语言处理技术应用的相关的业务场景及需求，在自然语言处理技术内核的基础上考虑业务场景的特殊性进而适当适配业务需求3、在核心技术研发之外，也会适当参与到具体的NLP相关业务中，例如文本内容的理解，商业场景的多语言多模态翻译和沟通，搜索Query分析、智能对话的语义解析及意图理解等1、本科及以上学历，硕士博士优先，计算机、数学、信息管理等相关专业2、具备极佳的工程实现能力，精通C/C++、Java、Python、Perl等至少一门语言；对目前主流的深度学习平台：tensorflow、pytorch、mxnet等，至少对其中一个有上手经验3、精通自然语言处理领域的1到2项底层技术，有实际成果并发表在自然语言处理国际顶级会议、期刊者优先，有在相关的自然语言处理竞赛中获得优异成绩者优先4、熟悉深度学习以及常见机器学习算法的原理与算法，能熟练运用聚类、分类、回归、排序等模型解决有挑战性的问题，有大数据处理的实战经验5、有强烈求知欲，对人工智能领域相关技术有热情四、计算机视觉算法研发工程师1、负责计算机视觉相关的技术、系统、产品的研发工作2、移动图像技术应用、图像内容搜索、人脸检测识别、图像分类标注、OCR、增强现实、图像质量评价、图像处理、点云视觉定位、三维视觉重建、物体分类识别等将技术创新推向用户1、 掌握计算机视觉和图像处理基本算法，并在如下一个或多个相关方向有较深入研究：2、了解机器学习基本算法，如分类、回归、聚类、概率模型等3、熟悉和掌握C/C++和脚本语言编程(如Shell, Python, Perl等）4、具有良好的沟通能力，和良好的团队合作精神作为应届生的大家，可能没有太多的工作经验，但是大厂都很看重编程能力，对于基础算法和语言要会熟练应用，C/C++/Python等语言，都要会熟练使用。

“大学之大，不在大楼之大，而在大师之大。”这是著名教育学家梅贻琦的名言，也是施一公校长在西湖大学成立大会上对学校定位的郑重宣言。西湖大学致力于成为拔尖创新人才培养的摇篮，聘任世界一流科学家，用一流科学研究支撑拔尖创新人才的培养。2019年，一场场学术人才招聘会从西湖走向海外，一份份申请书又从世界各地飞向西湖……然后，最顶尖的科研大咖来了，最年富力强的科研新星来了，带着梦想，带着笃信。最终，44位PI全职加入！他们为什么选择西湖大学？对未来的西湖大学他们有怎样的期待？他们拥有蜚声海内外的科研大咖头衔，也拥有舒适而有光环的海外教职，却在人生最黄金的阶段选择加盟西湖大学，选择再次创业！邓力 | 理学院邓力，世界知名有机合成化学家，有机催化领域的创始者和引领者之一。1987年毕业于清华大学化学系，获学士学位；1990年获美国威斯康辛大学有机化学硕士学位；1995年获哈佛大学有机化学博士，随后在哈佛大学从事博士后工作。1995至2018年，历任美国布兰代斯大学化学系助理教授、副教授（终身教职）、正教授，2005年被聘为首任Orrie Friedman讲席教授；2011-2014年担任布兰代斯大学化学系主任。今年他获得了2020年“亚瑟·科普学者奖”（Arthur C. Cope Scholar Awards），这是有机化学领域最有影响的国际奖项之一。邓力教授现为西湖大学徐益明讲席教授，理学院执行院长。创新不仅需要智慧，也需要梦想和激情。西湖大学是一个让大家追随激情、发挥智慧而实现梦想的地方。杨阳 | 工学院杨阳，美国材料研究学会（MRS）会士，美国SPIE学会会士，美国物理学会（APS）会士，美国电磁学院（EM Academy）会士，英国皇家化学学会（RSC）会士。现为西湖大学国强讲席教授，工学院院长。杨阳教授在有机光伏（OPV）领域做出了杰出的贡献，对于高分子聚合物的形貌以及其对器件性能影响有着极大的影响力；他发明了倒置有机太阳能电池，这个技术已经备用商业化产品；发明倒置串联太阳能电池以及透明太阳能电池；率先报道了数种具有高输出电压的新型高分子聚合物 (一家德国化学公司即将商业化一个专利)。自从2013年起，他还专注于钙钛矿太阳能电池的研究，并在2014年时通过介面工程学的提高达到了19.3%的高效能。2018年，他发明了能量转换效率高达22.4%的钙钛矿/铜铟镓硒串联电池，创造了新的世界纪录。我喜欢办教育，因为教育可以改变一个人，甚至一个社会。西湖大学提供了一个独特环境，我希望在这里我们可以做一点特别的而且是有影响力的科研，同时教育我们的下一代。我们希望以基础科研为出发点的工学院，能够替未来的科技打造一个完整的基础，并且训练出有创意、能独立思考的学生。MOHAMAD SAWAN | 工学院默罕默德·萨万，加拿大工程院院士、加拿大工程研究院院士、IEEE Fellow，国际著名智慧生物医疗器械领域科学家，在基于智能微系统技术的可植入式和可穿戴式智慧医疗器械方面作出了重大贡献。萨万院士1990年在加拿大舍布鲁克大学获得电子工程博士学位，1991年在加拿大麦吉尔大学从事生物医学工程博士后研究，1991-2018在加拿大蒙特利尔大学历任助理教授、副教授和教授。2001-2015任加拿大研究主席（智慧医疗器械领域）。目前是国际著名期刊IEEE Transactions on Biomedical Circuits and Systems的主编。2018年加入西湖大学，任工学院讲席教授、生物医学研究与创新中心首席科学家。未来的中国必将是放眼世界的，未来的西湖大学是一所立足中国的世界一流大学，我希望能够为西湖大学、杭州、浙江以及中国的高等教育、科研创新和智慧医疗做出自己积极的贡献！李子青 | 工学院李子青，IEEE Fellow，曾任微软亚洲研究院Research Lead，中科院自动化所模式识别国家重点实验室资深研究员。1982年毕业于湖南大学无线电专业，获学士学位；1985年毕业于国防科技大学电子技术专业，获硕士学位；1991年毕业于英国Surrey大学计算机视觉专业，获博士学位。1991~2000年在新加坡南洋理工工作，先后任职博士后-讲师-高级讲师(tenure)-副教授(tenure)，从事计算机视觉和统计建模理论和方法研究。2000~2004年微软亚洲研究院任Research Lead，从事机器学习和人脸识别方法与系统研究。2004~2019年中科院自动化研究所研究员，生物识别与安全技术研究中心主任，从事机器学习/人脸识别/图像视频分析方法、系统与应用研究。2019年加盟西湖大学工学院，开展人工智能创新研究。做一流研究，培养一流人才，为西湖大学的办学目标而努力。让AI照进现实。生命科学学院生命科学学院致力于研究生命现象和疾病机理以及研发生物医药新技术和疾病诊治新方法，培养具有生物、医学、化学、生物医学工程、药学等多学科背景的顶尖复合型创新人才，建立世界一流的生物医学研究和人才培养基地。2019年，生命科学学院迎来了17位PI入职。他们分别是KIRYL D. PIATKEVICH、申恩志、宋春青、闫浈、吴建平、马丹、蒋敏、党波波、解明岐、谢琦、卢培龙、申怀宗、马仙珏、胡奇、徐和平、郑厚峰、高亮。他们朝气蓬勃，踏实求真，愿与西湖大学共成长。KIRYL D. PIATKEVICH | 生命科学学院西湖大学提供世界一流的研究环境，让科学家有自由和机会释放他们的创造力，以解决社会最紧迫的问题。西湖大学还将提供全新的教学和指导范式，以培养下一代科学领袖。在这里，每位学生、每位教师都有机会来创造和塑造西湖大学的未来。申恩志 | 生命科学学院坚持“求真、务实、创新”理念，与有志科研工作者一起探索自然世界的奥秘，谱写西湖大学新篇章。马丹 | 生命科学院我愿将自己融入西湖大学的血液中，感受这个新生命的每一次呼吸与脉动。让我们共同努力，共同成长，共同书写西湖大学的奇迹！卢培龙 | 生命科学学院希望在所有西湖人的共同努力与见证下，西湖大学能成为进行多学科交叉研究的理想殿堂，将奇思妙想变为现实，开创无限可能！郑厚峰 | 生命科学学院作为一位归国的年轻科学家，希望与西湖大学一起成长，一起见证真正的世界一流大学出现在中国。高亮 | 生命科学学院西湖大学是一片孕育着希望的土壤。感谢西湖大学为推动基础生命科学研究所做的努力和尝试。我们将以最好的研究成果来回报西湖大学以及公众和社会对我们研究的支持。西湖已至，未来可期。理学院理学院以“发现物质世界现象、阐述自然运行规律、突破人类知识极限”为使命，下设数学、物理、化学等系，研究领域涵盖数论、分析、代数、几何、凝聚态物理、量子物理、原子分子与光物理、催化化学、化学生物学、材料化学、超快激光光谱学等，致力于前瞻性和系统性的基础科学研究，培养造就具有较强创新能力的杰出人才，建设国际一流的创新研究平台。2019年，12位PI加入西湖大学理学院，他们是王盼、PAVLOS SAVVIDIS、王兆彬、赵以庚、王怀民、吴明轩、吴颉、张骊駻、郑昌喜、刘仕、陆海华、邓力。他们睿智、创新、有担当，要为西湖一流的学术环境贡献自己的力量。王盼 | 理学院细话初心，一枕逍遥夜。心怀敬畏，共筑西湖梦。王怀民 | 理学院创新更需要砥砺前行的勇气，期望西湖大学经得住时间的沉淀，拼出自己的核心竞争力。郑昌喜 | 理学院我们西湖大学不仅对前沿基础科学进行探索，也对创新型基础科学教育进行实践，很高兴能在这独一无二的综合性平台进行历练、共同成长，相信我们的人生将会更精彩。刘仕 | 理学院道阻且长，行则将至。愿在西湖大学做追梦人，同西湖大学砥砺前行。PAVLOS SAVVIDIS | 理学院“Westlake University located in the romantic and picturesque West Lake area, is a thriving new research and ecation centre. It has attracted highly skilled, enthusiastic and energetic staff, creating a truly inspirational environment where novel ideas can blossom. My best wishes for a successful and enticing journey for this young University.”工学院工学院致力于面向国家战略性新型产业发展的重大需求，建立交叉学科与新兴学科为特色的工程技术学科群，建成国家重大科学技术研究和拔尖创新人才培养重要基地。2019年加入西湖大学工学院的PI有15位，他们是李文彬、文燎勇、朱博文、王蕾、张科春、YANG YANG、徐宇曦、SERGIO ANDRES GALINDO TORRES、李子青、李兰、柳佃义、邱枫、赵世钰、冀波涛、MOHAMAD SAWAN。他们年轻有闯劲，他们勤勉有实力，西湖大学将是他们实现梦想的舞台。李文彬 | 工学院格物致知，精材成器。与西湖人一道，探寻材料世界的奥妙，为新科技创造更多的可能。文燎勇 | 工学院在微小世界仍有许多空间- Richard Feynman。愿同西湖大学一起在微小世界里无畏前行, 共创辉煌！张科春 | 工学院世界因为个性而丰富，社会依靠创新而发展。我愿和各位一起努力塑造西湖大学独特和求新的文化。李兰 | 工学院创新西湖华夏中，风光不与四时同。全球科技志高峰，初心不改别样浓。赵世钰 | 工学院西湖大学洋溢着朝气蓬勃、自由创新的气息。选择西湖大学是选择了一条不同寻常而又激动人心的科研之路。冀波涛 | 工学院很高兴加入特别而又朝气蓬勃的西湖大学，在这里一定可以实现自己的科研梦想。

众所周知，微学一直在追求培训的效果——我们保持这个初心，也有17个年头了。最近，我们的生物信息部门终于传来了好消息：通过生物与信息科技来实现“人脑对于知识的快速吸收”，取得了初步的进展。我们开发了“填鸭式系统”，能够读取人脑信息编码，并把相关知识转码成同类编码，再运用最新的仿生技术，把信息通过仿生材料管子直输大脑，实现快速吸收。测试阶段，考虑到人脑的承受能力，信息的最大传输速度可达952.7k/s。微学负责人称：该项发明将改变人类的学习模式。为了迅速将这一研究成果临床应用，我们特宣布，招聘各领域的人才如下，欢迎投递简历：人脑学习机制研究专家岗位职责：1. 负责研究学习状态下的人脑机制。2. 负责智能生物材料与人体契合度的研究。3. 运用科学的方法打开脑壳，寻找为什么学得这么慢的科学原理。岗位要求：1. 具有神经生物学背景，掌握神经电生理相关技术。2. 有猕猴或人的相关研究工作经验的申请者优先考虑。3. 脑部要有洞，越大越好。数据算法专家-uplift 研究方向岗位职责：1. 研究面向特定领域的智能推理和机器学习等人工智能。2. 解决“填鸭式系统”在实际运用中遇到的bug。3. 科学安抚培训后考试不通过、从头再学一遍的学员。岗位要求：1. 熟练运用Java、Python等编程语言，熟悉Hadoop系统和Linux，熟悉相应的编程开发环境。2. 在人工智能或大数据计算等相关专业发表了高水平的学术论文并开发出了相应的演示系统。3.曾经是学渣，能够理解学渣的痛苦（学弱更佳）。可视化专家岗位职责：1. 开发可视化编程工具或面向分布式环境的运行时系统。2. 负责组件、模板开发，模块化框架设计与开发。3. 将培训未通过的学员数据呈现出各种花样。岗位要求：1. 有嵌入式系统数据处理经验，有物联网、人工智能、科学可视化、人机交互经验者优先。2. 了解大数据生态系统，熟悉hadoop、spark、Storm或相关的分布式系统。3. 曾经经历过月考垫底的感觉，深知魔鬼排名之危。企业人际研究专家-顾问方向岗位职责：1. 针对业务方的需求，组织执行定性、定量调研，输出系统、逻辑性强的研究洞察。2. 深度挖掘企业人际关系的场景，针对核心需求、情感诉求等不同纬度, 提出体验改善建议。3. 研究上课摸鱼学员的心理动态。岗位要求：1. 本科及以上学历，心理学、社会学、人机交互或相关专业。2. 从事用户调研行业5年以上工作经验，能独立负责研究项目，有较多项目经验。3. 别讲人话，让不认真听课的学员怀疑人生。生物科学-脑部组织岗位职责：1. 负责智能生物材料模仿神经传递机制的研究。2. 参与神经模拟临床研究的相关工作。3. 研究模拟神经给人脑直接输入知识信息的机制。岗位要求：1. 对神经系统分化和发育具有较为深入的理解和研究经验。2. 具有相关专业博士及以上学历。3. 大胆地给人脑插管，直接输入培训内容。硬件研发专家-生物结合方向岗位职责：1. 在可穿戴传感器领域挖掘什么可以被测量、或使测量结果更准确的方法。2. 与不同领域的专家探讨，做大量的产品实验及临床医学研究实验。3. 研究头戴式硬件，配合插管将知识信息灌入大脑。岗位要求：1. 具有8年以上生物传感器算法工作经验、研究经验。2. 生物医学工程、应用物理或相关专业，硕士或以上学历。3. 胆子要大，不然给人脑子里插管灌知识这事你做不了。研究员-生物科学方向岗位职责：1. 负责一些高性能计算或网络服务器的使用管理、维护与相关软件安装。2. 负责管理集群服务器上存储的一些生物数据。3. 寻找人脑学习数据中的bug，例如“学了就忘”、“总觉得自己都会”。岗位要求：1. 计算机科学或生物信息等相关专业毕业，具有硕士或以上学位。2. 了解网络服务器及数据库服务器的管理运行。3. 想法要刁钻，能够直面人脑偷懒的一面。研究员-神经科学方向岗位职责：1. 神经电生理：发展人类大脑学习在体电生理记录系统。2. 光学成像：发展嗜神经病毒标记神经网络后的活体钙成像系统。3. 剖开人类脆弱的神经看看，不能一天学习24小时是为什么。岗位要求：1. 分子生物学、神经生物学等相关专业博士。2. 对可穿戴式生物电传感系统有开发经验者优先。3. 手要稳，这是做好神经剥离实验的前提。研究员-生物化学方向岗位职责：1. 研究脑部插管最适合的材料。2. 混合康复、脑机交互等前瞻性康复技术研究。3. 毕竟，脑袋上插了根管后期也是要修复的。岗位要求：1. 具有博士学位，有海外科研工作经历者优先考虑。2. 掌握该学科领域能影响高新技术产业化的关键技术的优先考虑。3. 眼界要宽广，什么样的管子能插人脑袋上，就看你了。项目研发管理（生物方向）岗位职责：1. 负责脑袋插管项目的研发进程管理。2. 负责项目任务分解、计划的制定和跟踪，对风险和异常及时干预。3. 有效应用项目管理方法，对项目的风险、变更、干系人进行有效管理。岗位要求：1. 具有生物学相关专业博士学位，3年及以上项目管理经验和产品管理经验。2. 主攻表面生物医学工程：生物学、材料学或化学。3. 多快能把管子插到人头上，就看你了。项目研发管理（软硬件方向）岗位职责：1. 负责“填鸭式系统”的版本更新。2. 规划系统未来的发展方向，确保公司的愿景实现。3. 研究系统与人脑插管的传输适配。岗位要求：1. 计算机，通信或者相关专业硕士及以上学历毕业，3年及以上项目管理经验和产品管理经验。2. 有人工智能，Iot，智能硬件行业背景尤佳。3. 先让全人类学会哪一部分知识呢？以上岗位，均为此技术实现临床应用的重中之重。微学有幸研发出此黑科技诚邀各方人才一起完成此项目~！！

商汤科技招聘自动驾驶算法研究员，北京、上海、深圳都要，薪资面议。岗位职责 1. 负责与自动驾驶项目相关的算法开发与性能提升、调试和测试，负责下述问题中的一项或多项，包括但不限于：感知算法（例如车道线检测、障碍物检测、行人行为分析、场景理解、多传感器融合等、决策算法、控制算法、路径规划、高精度地图、视觉SLAM等；2. 参与系统研发，参与并协助完成自动驾驶汽车各核心功能模块的工程化实现，与自动驾驶汽车各模块的工程师协同完成系统集成和调试工作；3. 推动相关算法在自动驾驶汽车上的落地实现与性能优化。岗位要求 1. 有较强的研究能力以及较强的算法实现能力；2. 优秀的分析问题和解决问题的能力，对解决具有挑战性的问题充满激情；3. 良好的沟通能力和团队合作能力；4. 满足以下一个或多个条件：1) 熟练掌握计算机视觉&机器学习（包括深度学习、强化学习等的基本方法，在国际顶尖会议或期刊（包括但不限于CVPR, ICCV, ECCV, NIPS, ICML, AAAI, TPAMI, IJCV等上发表过会议的优先；2) 有较强的代码能力优先，获得过ACM或其他商业代码竞赛的荣誉，如ACM区预赛金牌、NOI银牌以上、百度之星决赛等，或代码开源在GitHub上并有较大影响；3) 有较强的学术比赛经验或者在重要数据集的排行榜上排名靠前的优先，这些比赛比如ImageNet等学术数据集或者Kaggle等一些国内外商业比赛；4) 有自动驾驶汽车项目经验者优先，例如参加过自动驾驶汽车挑战赛，或机器人相关比赛，或在其他的公司或者实验室做过类似项目，或来自国内外自动驾驶领域内知名实验室；5) 有丰富的多种传感器（包括但不限于摄像头、激光雷达、毫米波雷达等使用经验者优先；6) 掌握PID, MP, 模糊控制等多种控制方法优先，有复杂决策系统设计和实现经验；7) 具有无人车系统体系架构设计经验者优先。本文来自人工智能公会，创业家系授权发布，略经编辑修改，版权归作者所有，内容仅代表作者独立观点。