在求职过程中有这么一句话叫做“金九银十”，也就是说，很多时候，求职的黄金时期就是在九月份和十月份，这两个月份中企业需求是最多的，求职的成功率也是最高的。但是随着AI方面的人才越来越多，企业的招聘需求也越来越高。

早在2017年左右的时候各个企业招聘AI方面的人才要求研究生即可，一般来说有一定的机器学习相关的算法基础，用过或者说了解过TensorFlow、caffe等相关的框架就可以找到一份相对来讲还不错的工作，甚至说如果你潜力大，即使没有什么经验，企业也愿意花时间来让你学习，边学边做，可是现在不一样了，现在如果没有项目经验，即使你的能力再突出，可能都会连简历都过不了，为什么会这样呢？其实终归一点就是：企业是来招你干活的，你没有项目经验，只有理论，我为啥要你？因此，对于现在的求职者来讲，项目经验极其重要，可以说是必备的门槛。

那么，对于一个企业来说，什么样的项目经验才是最重要的呢？今天我从一个面试官的角度来和大家聊聊这个话题。

企业看重什么样的简历

对于一个企业来说，项目经历是企业最看重的一部分，一个好的项目经历可以让你的简历从众多建立中脱颖而出。一个好的项目经历要有一个比较明确的项目描述，以及自己在项目中负责了什么，达到了什么样的业绩，并且这个业绩是一个可以被量化的业绩。

我们首先拿推荐系统这个岗位来举例。对于一个推荐系统或者推荐算法相关的简历而言，企业首先关心的并不是你用了什么样的算法，而是你这个推荐系统是否真正的上线了，上线之后有多少人使用，在这么多的用户中，推荐系统使用所占的比例是怎么样的，点击率如何，使用推荐算法之后，点击率提升的百分比如何？当这些问题都能够在简历里说的很明白之后，接下来才会去考察你在这个项目里具体用的是什么算法，召回层、粗排层、精排层、重排层具体都是用的什么算法，怎么做的？遇到大量的用户和大量的数据集如何做的处理？特征是怎么处理的？画像是怎么做的？当这些问题在简历里都能够有一个相对明确的交代之后，你的简历才有通过的可能。

面试如何进行考察

当你的简历通过后，紧接着就会进入面试环节，无论是社招还是校招，企业在考察项目经历里面的技术细节的时候一般会分成两个部分来考察。

第一个部分是对于基础知识的把握程度。也就是说，你能够把你的项目说明白，你项目里用的什么算法能够说明白，这些算法的一些底层原理是什么样的。比如说，我们在简历里写了项目中用到了协同过滤算法，那么企业就会考察，用的是那种协同过滤，是基于item的还是基于user的，两者有什么区别，什么情况下用哪种？为什么这么用，以及你在使用过程中遇到了什么问题，怎么解决的等等，虽然这些问题看似很平常，但是你是根据自己的实际项目经验来做的还是自己随便瞎编一个数值，对于面试官来讲一眼就能看清，因此这类的基础知识就非常考研面试官是否真正做过相关的项目，还是说只是跑了个demo。

另外，对于算法的底层原理的考察也是基础知识的一个重要的部分。比如说，如果简历里写了使用YouTubeDNN模型，那么面试官就会让你说出这个模型的模型结构，如何实现的，特征是如何构建的，负采样是怎么做的，为什么这么做？里面的loss损失是怎么计算的，模型的深度是多少，怎么做的embedding，以及为什么这么做等等问题，这类的问题就需要大家对于模型以及算法的底层原理有着深刻的认识。

第二个部分就是对于简历中项目的熟悉程度。这一部分说白了就是考察这个项目是不是你从头到尾跟着做的，你参与的比重有多少，以及这个项目是一个什么类型的项目。那么在这里，一般主要会去考察项目中的一些trick。

对于这个方面的考察就要求大家对自己简历里的项目非常熟悉，因为很多问题只有做的时候才能遇到，而且才能够想出比较取巧的解决办法。比如说我们在做推荐系统项目过程中，经常会遇到负采样不均衡的问题，然后当项目上线之后，我们还要关注推荐系统的QPS大概是多少，在做召回的时候，遇到不同的算法之间如何平衡的问题，这些都是要做过项目才知道的。

因此，对于推荐系统的求职人员来说，一份好的项目经历，从头到尾能够做一个商业级的项目对于找工作来说是非常重要的。

除了推荐系统之外，对于NLP相关的岗位来说，智能问答也是最近几年的重头戏，所以一份好的智能问答相关的简历也需要非常好的项目经历。

对于智能问答来说，我们一般可以分成2大类。一类是任务型的智能问答，一类是开放型的智能问答。所谓的任务型智能问答是指这个产品围绕着一个主题进行，完成特定的任务，比如医疗问答系统、游戏里面的智能客服等；所谓的开放型智能问答实际上我们可以理解为百度百科，或者是类似于小度小度这类的产品，它不仅仅是只围绕着一个大类进行，它可以包括先聊，以及一些其他的知识库，那么这类的产品一般来讲需要很大的知识库体系，里面会用到各种各样的知识图谱相关实现方法等。

对于目前找工作来说，我们一般是以任务型为主，并在里面包含了一系列的与NLP和知识图谱相关的知识。比如命名实体识别、图数据库、任务管理、对话管理、多轮对话中的指代消解等，甚至还会配合很多像MySQL、ES等数据管理系统来形成一个完整的体系，而对于智能问答方向的面试，一个完整的并且更加贴近于企业的项目经历是极其重要的，因为只有把项目从头到尾的做一遍，才会知道里面有什么坑。

如何积累项目经验

那么对于准备找工作的同学，尤其是没有工作经验的应届毕业生，应该如何积累项目经验呢？

如果你是在校大学生，我建议你把每一次的大作业，或者研究生导师带的课题都当做一个商业项目来做，要想一想，这个东西如果用在公司，可能需要什么样的功能，怎么才能落地，需要观测什么指标，然后按照这个思路去做，最后形成一个近似于商业项目的项目内容；

如果你是已经毕业好几年的同学，想要转行到这个领域，那么首先要做的就是把基础打牢，对于机器学习和深度学习基础一定要熟练掌握，并且能够说出其中的道理；

如果你是马上要毕业的同学，那么只能恶补了；

当然，这一切的一切都需要花时间来去钻研，来去学习。那么，还有一个更快的学习方法，就是找一个有经验的老师带着你学，从头到尾的带着你做一个商业项目，并且带你把里面的原理了解清楚，这里值得注意的是，一定要是商业项目的那种，因为现在很多网课一两万块钱，最后讲的都是基础理论和demo，那种真的是学不到什么东西。

在这里给大家推荐黄鸿波老师的课，黄鸿波老师是人工智能领域专家，高级算法工程师，也是中国仅有的30多个谷歌机器学习方向开发者专家之一，同时也是《TensorFlow进阶指南 基础、算法与应用》这本书的作者，在AI工程化领域有着非常丰富的经验。

近期，黄老师准备开设两门课程，一门是“推荐系统实战课”，另一门是“智能问答实战课”。

黄老师的实战课有一个特点，就是全程直播（有录播回放），每节课直播90分钟左右，会全程以企业的视角来给大家上课，把理论和实践相结合，例如在讲协同过滤算法的时候，他会先用一节课把协同过滤这个算法讲明白，然后再讲这个算法怎么在企业中实际应用，最最最关键的是，它会手把手带大家敲代码，而不是像其他培训机构一样放出一段代码，给大家过一遍，最后大家连代码都拿不到。

无论是推荐系统实战课还是智能问答实战课，都是以企业中常用的技术点作为出发点，企业中用到什么，我们就讲什么。而且这次培训我们是以实战为主，针对企业实际的业务场景来开发。

而在费用方面，由于是我自己来做，也是我自己的平台，大部分的同学都是学生，所以这边的价格也计划做的很低。具体如下：

1、推荐系统课程价格计划在2999，前50名付款的同学，可以免费赠送1套价值299元的AI面试直播课回放，计划每周2节直播课，每节课90分钟左右，一共四个半月的时间；

2、智能问答课程价格计划在1999，前50名付款的同学，可以免费赠送1套价值299元的AI面试直播课回放，计划每周2直播课，每节课90分钟左右，一共3个月的时间；

3、所有课程，报名开班2周之内，如果感觉不满意的，可以全额退款；

4、每个班满50名开班；

感兴趣的同学可以扫描下方的二维码，加群咨询（目前已有几位位同学已经确定报名了）：

如果上面的二维码过期，可以添加我的小助手，回复“推荐系统”进入推荐系统课程咨询群，回复“智能问答”进入智能问答课程咨询群。

最后再附上初版的推荐系统的课纲，其他详细课纲，大家可以进群咨询：