还有其他的干货，我也帮你们附了链接：
https://gordicaleksa.medium.com/deep-learning-journey-update-what-have-i-learned-about-transformers-and-nlp-in-2-months-eb6d31c0b848
Graph/Geometric ML
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。
RL
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：
- 开发了一种眼镜检测算法，作为HoloLens 2设备上眼球追踪子系统的一部分。眼球追踪子系统的全部意义在于预测用户的眼睛注视向量，并实现与全息图的本能互动。它还有助于为特定的用户显示正确的图形（每个人的眼睛不同，因此IPD也不同，等等）。
- 利用视频编码器在各种VR/MR设备上增加注视点（Foveated）渲染功能。这样就可以为设备省电，因为不需要渲染视野以外的内容。并最终读完了关于H.264编码器的整个参考手册。
- 在PyTorch中从头实现了一篇研究论文中的想法。这也是学习PyTorch的过程（2019年底到2020年初）。
- 编写了各种脚本，确保标签器正确工作，开发了内部指标管道的一部分，处理了渲染和改进了合成数据，做了各种量化和perf-vs-compute实验，等等。
- 为微软的SE/ML职位面试了实习生。
- 指导了ML夏令营的学生，并举办了关于CNN的研讨会。
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、YouTube、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：
- 大致了解企业文化，例如其核心团队正在做什么，你到底能为团队做什么「转到公司官网查看。
- 准备专业知识，大致了解行业的基本概念，例如阅读基本的教科书。
- 面试环节：与招聘人员聊天，他们可能会问你「你喜欢公司的什么？为什么选择我们而不是其他公司？你最喜欢的核心项目」了解你到底能为团队做什么」。
想清楚这些就够了。 怎么样，干货满满的对吧？
网友评论
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。
