---

成果

秋招结束了，我最终获得了：

• 腾讯
• 京东
• 华为
• 网易游戏
• 欢聚时代
• 搜狐视频

这几个offer，均待遇不错，收获颇丰。

---

写作动机

回想起一年多以前选择数据挖掘的时候，一度以为找不到工作，非常着急。幸好有令科，梅寒，志韬等师兄为我解答了很多迷津。于是也尝试记录一下自己的学习历程，鉴于往事，以资于后道。
全文分成6个阶段，文章有点长，各位可以直接去看自己的那个阶段，看看我过去的心路历程和总结的经验能否帮上忙。
暂时写到找实习，其他部分想到再写，有什么问题可以微信问我，我在实验室群里
所有技巧仅适用于我们实验室

• 我们实验室的一个特点是人多。
  很多优秀的师兄师姐，他们就像排头兵，考虑过你现在迷惘的几乎所有选择，去过了几乎所有重要和优秀的公司，就职于所有欣欣向荣的岗位，能带给大家很多前路上的指引。
  请大家多点跟所在的小组现在的前辈，还有以前毕业了的前辈多多交流，他们会最切身，热情地帮助你任何困惑。
• 我们实验室的第二个特点，是有很多优秀的师弟师妹。
  以后你们的苦恼也会变成后辈的参考，你们走过的路也可能成为后辈的选择。为了让你们努力得到的经验不要只被自己使用一次，为了让更多后辈追随你的脚步壮大队伍：
  请多点分享，任何形式的都可以：书，博客，Github，私下聊天…

---

阶段

1. 选方向阶段

我的研究生是两年制，于是在大四暑假的时候，我必须对学习方向做一个选择，到底学C++后台还是数据挖掘。
我的情况是：

1. C++

• 实验室有与之相关的项目
• 本科的时候有学过C++编程
• 关系比较亲近的师兄都去了做C++后台
• 全社会招的人不少，但是作为一个有相当历史的岗位，竞争者也不少

2. 数据挖掘
   • 比较感兴趣
   • 完全没有基础
   • 当时刚开始流行，很多人在学习，可以一起学习
   • 不需要什么项目经验，但是需要参加比赛

纠结了很久，最后还是去做了数据挖掘：

• 实在不喜欢编程
• 对自己家庭情况做了分析（不需要非常稳定地挣钱，家里人不用我养）
• 对自己的工作状态做了分析（不擅长做太细节的工作）
• 数据挖掘即使没学成，起码能做Python工程师，也比C++舒服（这个设想后来无法证明正确与否，好像是错的）

综合上述情况，心里比较不讨厌数据挖掘，所以选择学习数据挖掘。

---

2. 学习阶段

• 买盗版书：
  尽可能多的获取信息，虽然网课也很好，但是很多书里的内容更详细和pratical，因为没有钱，但是又想买各种书来看，上知乎看了一圈不知道买什么，就在淘宝搜“满三包邮”买了一堆盗版书，不能因为贫困而不学习。**大家一定不要学我。 **
  看下来每一本书都有各自的闪光点，相互补充效果很好，书有点多所以书架放在了语音组实验区，大家可以借阅或捐赠。

• 学习路径：

  • 基础技巧：Python做数据分析
  • 初学者入门：Python数据挖掘与实战
  • 第一次自己上手：kaggle
  • 实际做比赛：天池/CCF
  • 有问题：stackoverflow/Github

• 请大家关注一些很有用的企业公共KM（知识分享），我这里推荐三个：

  • 美团点评技术团队
  • 腾讯云
  • 阿里技术（微信号：ali_tech）

• 机器学习的学习方法：先学会一些常用数学，统计，思考方式等工具。然后理解新的模型的“步骤”（当有工具的时候，大概了解在数学上和哲学上这些模型是怎么构筑的就行，详细的证明当数学熟练后可以推出）

• 【2018.1.30更新】最近在补全自己深度学习的知识，学习深度学习的话，我建议的路径是这样的：

14. 基础：
    买，并看《Deep Learning》准备一些数学，深度学习方面的基础，英文不好可以看中文版，但是中文版翻译越到后面越糟糕，所以看到后面可能你会自动去看英文版。
15. 选择一个领域并准备基础：
    图像/语音/NLP…并买一些对应领域的专著来看，每个领域都有一些基础知识，这些知识论文中不会讲，博客网文太零散，必须看书。
16. 学习深度学习框架：

    • Tensorflow: 我把市面上(2018.1月)有关Tensorflow的书都买过一遍，我建议先看《面向机器智能的Tensorflow实战》有兴趣再看《Tensorflow机器学习实战指南》

    • PyTorch: 看得不多，我觉得《深度学习入门之PyTorch》挺好

    • 具体选择哪个框架当然看你领域的研究需要，不过我们公司用TensorFlow比较多，所以必知必会

    • 学习列表：这个表应该有三行，包括了你这个领域常见的技术，分成“模型”，“模块/技巧”，“其他”，可以看我的例子：

      a. 模块/技巧：重参数化，因果卷积 ，highway，attention
      b. 模型：SampleRNN，WaveNet，Griffin-Lim
      c. 其他：MCMC采样，BeamSearch
      

      必须学习原理(在Arxiv找论文)，和实现（Github找实现）。三层的关系层层递进，学会了写第一层的模块，你就可以学搭第二层的模型，第三层是其他，不属于模型或者模块，但是按照结构主义的观点，所有功能都有对应的结构，第三层只是用来存放杂物的。

17. Github：关注你们对应领域的大佬，看他们会star什么项目，你也跟进去学习

• 写自己的博客。认识有偏差也没关系，太张狂也没关系，根据Fail-Fast原则，越早地把问题暴露出来，越好，比如我就会写：

  • 除特别声明，本站所有文章均为原创，如需转载请以超级链接形式注明出处：SmartCat's Blog