最近Reddit上的一个帖子火了！ 一个小哥没有MLPHD，没有MLMaster，甚至没有任何类型的MLDegree—仅凭在EE上获得的学士学位，就从 「DeepMind」get 到了一份研究型工程师的工作！ 他在Reddit的论坛上分享了自己的经历，他是如何让在没有任何特别优秀的学术背景下，成功找到一份研究工程师的工作的。
文中，他分享了一些关于「他是谁」的背景以及到目前为止的学习经历！从把「机器学习」作为是副业到Deepmind的专业RSWE。尽管没有扎实的基础和优秀的学术背景，但却在短时间内实现了自己的目标。 同时，他还附加了很多从2018年第一次接触ML到现在积累的相关课程链接，以及当前ML（例如 GNN）的最新研究进展。最后，他和大家分享了自己从前期准备到后期面试DeepMind 的详细过程。如果你也想get到自己满意的那份工作，就跟着我一起去看看吧。 全文他强调自己不是一个有「计算天赋」的人，凭着对机器学习的热情，「从自学软件编程，完成Andrew Ng的所有Coursera课程，到研究专业论文，参与微软的ML夏令营」，被派驻到「ICCV2019」会议，在微软展台演示HoloLens2，并成功转正ML工程师。 
所以，是发生了什么事情？让他的心态发生了改变？又是什么push他努力学习和工作，成功转型的呢？ 他说，因为Gary Vaynerchuk的鼓励。 他在网上分享自己的经历，参加微软的公开演讲。相机，照相，反光板，这些东西打破了他的舒适区，日积月累，他学会了公开交谈（面试的必备技能）以及基本的数学知识（专业技能），得到了这份完美的工作。 好吧，你可能会说：嗯，故事很励志，但是没有干货啊。 
https://gordicaleksa.medium.com/5-tips-to-boost-your-learning-d6eb5edfe6d 瞧，这不就是干货么？ 以AI为例，内容涵盖「输入模式」和「输出模式」的周期学习模式。 输入模式：摄取信息。目标是对子领域（博客、视频）的结构有一个高层次的理解，或者对手头的主题（研究论文、书籍等）有一个深入的了解。 输出模式：分享在输入模式期间积累的信息。第一步，教别人！创建分享文件，如YouTube视频、GitHub项目，和blog 。以及在 LinkedIn 上高频率的更新。当然，Twitter和Discord也需要涉及。 
做完这些工作后，别忘了，在macro的末尾附加几篇原创blog，总结所写的内容。这将帮助你更好的将干货用到实际工作中。 不需要多么深入。你只需要学习NST (Neural Style Transfer)、DeepDream、GANs (Generative Adversarial Networks)、NLP & transformers、Graph/Geometric ML、RL (Reinforcement Learning)...... 呃.....俗话说的好，不积跬步，何以至千里？
NST
首先，你要做的是，阅读大量的研究论文，开发3个不同类型的projects，然后Github开源，在YouTube上建立一个NST播放列表。准备工作差不多就可以结束了。 紧接着，完善PyTorch专业知识，学习CNN和优化方法，提高演讲技巧，阅读研究论文，做到从里到外全面提高SE技能。 例子如下，最后，编写代码合成NST图像：
DEEPDREAM
阅读blog，分析DeepDream子版块，并探索各种代码库。 你可能会发现，多数原代码是用Torch和Lua编写的。为了解决这个问题，你可以切换到 Linux，让它来为你工作。过程有点艰难，不过你可以学到很多东西， 最终，你可以使用自己的代码生成一副令人着迷的图像。 
GAN
你需要做的很简单，就是阅读所有基础论文以及其他不太相关的论文，并尽自己最大的努力，尝试Vanilla Gan，CGAN（条件GAN）和DCGAN模型。 一些辅助方式仅供参考：
- 在每个macro的末尾附加一篇blog ，总结自己所学到的知识。
- 阅读论文时，随时在YouTube上记录它们。通过这种方式，你会学得更好，也会帮助到更多的人。
- 在macro中间开源一个project。在那之后，你会发现，你读过的所有paper都变得有意思了。
