本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

做机器学习工程师，通常都要读过博。

即便没有写成岗位的必要条件，也慢慢变成了自然规律。

那自学成才的人类，要写怎样的项目经历，才能让面试官相信，自己也是有同等能力的呢？

一个叫做AdditionalWay的网友，在Reddit提出了这个直击灵魂的问题，引发了大量讨论，两天热度已经超过500。

讨论版上，有许多人提出了中肯的建议：

工业界需要的技能

有位叫做po-handz的网友，他发表的意见收获了80分的高赞同，占据了评论区的顶楼：

把自己的项目投入生产环节 (launch into production) ，就能超越99%的应届生，也能超越大部分在位的ML工程师了。

对此，有人 (moravak) 表达了墙裂赞同：

这个“大部分”，其实就是≥99.9%。

顶楼又补充说，很多人就算读到博士毕业，可能也没有自己把一个项目做到生产环节的经验。

那么，怎样才算有这样的经历呢？

网友 (BernieFeynman) 简约地解释了一下：

搭些模型，不用非常非常厉害。但要让人能看到，模型在哪跑起来的样子，比如有个API可以调用之类的。

当然，做起来并不是一句话的事，顶楼详细描述了，一整个过程究竟能有多难：

比如，一般你不会只有一个模型，是有一组。所以，需要让这些大模型，加载在服务器的RAM上。还要接受新输入的数据。这些数据，要和测试数据的格式保持一致，还要scale，该怎么scale呢？推理要用GPU么？那样的话在AWS上每月可能要花1000刀，预算能支持么？时序数据怎么办呢？你需要一个连续更新的模型，还要一直跟踪调参。除此之外，你需要一个实时的、可维护的数据管道 (data pipeline) 。搞这个，比处理一个清晰干净的数据集要难多了。最后的最后，你还需要一整套UI，网站，nginx堆栈，要做成用户友好的样子。

别说是刚毕业的博士，许多有经验的数据科学家也对这些东西一窍不通，因为他们可能只在自己专业的领域里工作，都是别人把干净的数据集交到他们手上。

你如果在这点上打赢他们，对企业来说就有更高的价值了。

简历不要踩雷

训练实用技能，只是一方面。

如果不想在简历筛选环节见光死，网友 (rudiXOR) 在一家“正在招聘ML工程师的中型企业”，总结了十大雷区，供大家参考：

第一，拿着一大堆MOOC证书。没用，我试过，quiz一路点下去谁都做得到。第二，对Kaggle成绩过于自豪。许多大学生都参加过Kaggle比赛，他们也知道这种比赛和ML工程师的工作，基本没什么共同点。第三，去了3个月训练营，从PCA到LSTM，几乎所有ML技术都修炼到了。真的没人相信。第四，GitHub项目都是只提交过一次代码的那种。根本看不出是不是自己做的。第五，GitHub主页是新的，一个项目都没有。第六，模型只在toy datasets上测试过，没有再严肃点的项目了。第七，每种语言都说“精通”。比如C++、Python、Java、C#……第八，对照职位要求精心匹配了简历 (“Buzzword optimization for HR algorithms”) 。第九，没有证明自己的数学/统计学知识水平。第十，没有软件开发的经历。

就算前九条你都忘了，也可以严肃地参考第十条。网友在细数了雷区之后强调：

如果你是自学的，不要一上来就投数据科学家，或者ML工程师。可以先申请数据分析师，或者软件工程师。如果是自学ML，又没有软件开发的经历，我是不会请你的。

参考前文，如果没有读过博士，就要比博士多点工业界的经验才更有利。

One More Thing

不过，自学什么时候都不晚。

比如，谷歌大脑的研究员David Ha，在投入机器学习的怀抱之前，已经做到高盛的董事总经理 (MD) 了。

那么，各位也要加油啊。