导言
一年一度的校园招聘即将开始，各位学弟学妹们将面临继高考、读研/博之后的又一次重大的人生选择。第一份工作对于一个人职业生涯的一生都至关重要，如何选择适合自己的团队和岗位，做好自己的规划以达到目标？在今天的文章中，SIGAI将对AI方向的校招选择进行分析，供各位需要的同学参考。说明一下，在这里我们仅仅只针对企业类的工作，对公务员、事业单位之类的工作不做分析。
首先声明：对各个企业、团队的描述只是文章作者的观点，不代表SIGAI官方的立场和观点。
去一个什么样的企业？
应届生的第一份工作是形成工作习惯、思维方式的主要阶段。要知道，良好的工作方式和做事习惯、思考和解决问题的方式，对于一个人后续的职业发展至关重要，在起跑线上一定要占据优势。如果抛开具体的方向不谈，仅仅就公司的规模来进行考虑的话，应届生刚开始最好去一个做事靠谱、规模不太小的公司。
我们可以将企业分为初创型，小型，中型，大型这几种类型。这一划分既有规模上的考虑，也有成立时间的考量。
首先说初创型，一般指A轮融资之前或人数不超过50-100人左右的企业。这种公司蕴含着大的机会，一般处于高速发展期，但也面临着大量的不确定因素，风险非常高，很多创业公司都会在初期的几年内倒闭。因此对于职场新人来说，这种早期的公司一般是不合适的。另外，这样的公司在管理、培养等方面往往还不完善，加入之后，在职业素养的养成，规范的做事方式等方面将不利于你的提高，而且一般来说缺乏有经验的人来给你大量的指导，因为大家都忙于产品的研发和迭代，无太多精力顾及这些方面。
再来说小型和中型企业。二者之间没有明显的界限，我们将C轮融资之前、人数不超过200-300人的企业都归到这里，当然这个标准也不是绝对的。这种类型的企业也处于高速发展期，而且已经到达一定的规模，日常管理、团队建设、企业文化等方面开始逐步完善，并且对个人来说有比较好的发展空间。从这个规模开始的企业，是应届生可以考虑的。
最后说大型企业。这里指C轮及C轮融资之后的企业，已经IPO的企业当然也属于此类。这类企业规模大，成熟稳定，管理、文化、人才培养机制已经成型。另外，研发和技术实力也比较强，可以让你站在一个高的起点上。对于应届生养成良好的工作习惯和基本素养来说，这是很合适的。但去这类企业也有一个明显的问题，就是新人能施展的空间一般不大，上升的空间普遍有限。不过对于积累技术、经验，是很好的。
最后来说怎样衡量一个公司是否靠谱，其实主要看两个方面：公司所做的事情，做事的方式。你选择的公司，尽量是你从内心认可的，即你认同他们所做的事情和目标。另外，他们做事的方式也很重要。一般来说，应该去一个踏踏实实做产品、研究的公司。要知道，那种所谓的“PPT公司”、“忽悠公司”，管理和氛围糟糕的公司和团队也是不少的，你应该擦亮眼睛，避免踩坑。
选择什么方向？
人工智能目前的应用方向很多，如何选择适合自己的？一般来说，毕业后从事的方向和你研究生时的方向是一致的，但也有换方向的可能。下面我们列举一些典型的方向和公司供大家参考。
机器视觉
机器视觉是人工智能应用最广的方向，这一波深学习的浪潮也起始于在机器视觉领域的突破，人的日常信息超过80%是通过视觉获取的。同样的，AI领域的公司中，机器视觉类的公司也是最多的。在现阶段，机器视觉中被广为研究、产品化的典型方向有：
通用目标检测
行人检测
人脸检测
人脸识别
通用图像分类
光学字符识别（OCR）
各种图像处理算法，如分割、增强等
目标跟踪
3D视觉
医学图像分析
车牌识别
机器视觉领域的公司数量众多，是这一波AI创业浪潮中公司最多的方向，下面我只列出一部分典型的公司和团队：
语音识别与语音合成
语音识别和机器视觉同属感知类问题。相对来说，语音识别是人工智能里比较独立的一个方向，这方面的职位和公司要少一些，典型的是科大讯飞，思必驰。如果你之前不是研究这个方向的，建议你还是慎重考虑这个方向。
自然语言处理
自然语言处理的目标是理解人类的语言，典型的问题有：中文分析，词性标注，命名实体识别，文本分类，文本聚类，自动摘要，自动问答，机器翻译等。当前，这些功能都已经被产品化。在2012年人工智能此轮复兴之前，NLP就有大量的职位需求，不少互联网公司，尤其是大型互联网公司都有NLP的团队。这个方向典型的公司有：
数据挖掘
数据挖掘也是人工智能中非常广的一个方向，我们把数据分析、计算广告、推荐系统、知识图谱等都归到此类。客观来说，这是人工智能中离变现最近的方向，企业的需求量也很大。
搜索引擎、电商类的公司都需要做广告点击率预估，几乎所有用户量大的互联网公司都需要做推荐系统，几乎所有用户量大的互联网公司都要对用户行为等数据进行分析，因此现阶段对这些方向的人才需求很旺盛。典型的公司有：
智能硬件
智能硬件、智能家居、物联网等在这些年一直都比较火，也很贴近实际应用。当前应用最广的是智能视频分析，如监控，以及其他智能家居产品如智能温控器。机器视觉、语音识别、控制与策略、数据分析等算法在这个领域都有应用。智能硬件方向典型的公司有：
智能芯片
智能芯片是将人工智能算法如深度神经网络在芯片上实现并做优化，这是人工智能时代基础性的组件，类似于CPU对于PC时代的地位。当前有不少公司在做这个事情，典型的有：
这些公司也需要大量的算法人才，以确保芯片上运行的算法的精度、速度。在这里，需要对卷积神经网络、循环神经网络之类的算法和模型进行压缩、剪枝、优化。
自动驾驶
自动驾驶是这一波人工智能浪潮中炙手可热的方向，也是对人类未来的生活会产生深远影响的方向。各个公司都投入大量的人力物力去研发，如Google无人车，百度阿波罗计划。自动驾驶集成了人工智能里的多项技术，包括感知与定位、机器视觉、控制与决策、路径规划等，因此单独列出。典型的公司有：
机器人
机器人也是人工智能最重要、实际应用最广泛的方向之一。与自动驾驶类似，它也集成了人工智能各个方向的技术，包括机器视觉、语音识别与合成、感知、规划与控制等。这一领域的主要公司有：
去一个什么样的产品线和团队？
一般来说，尽量去核心而非边缘化的团队和产品线，或者是新一些的产品线。对于规模较大的公司，一般都很多产品线，它们之间差异非常大，你尽量选择去核心、重要的产品线，而不是边缘化的产品线。显然，重要的产品线公司会投入更多的资源，对你成长的机会也更好。新成立的产品线，一般也有比较大的发展空间，反之，那些成熟稳定、没有太多有新的工作要做的的产品线，虽然轻松，但却不利于你成长。
怎样做好自己的第一份规划？
你未来的职业规划是怎样的？如何达到这个目标？虽然听起来像是面试问题，但这确实是每个刚进入职业生涯的同学需要思考的。都已经毕业了，你不能再稀里糊涂的，而是对自己的未来要有清晰的规划，目标明确。这对所有人都是非常重要的。是走纯技术路线，还是技术 管理，或是管理？长期来看，要做什么方向？确定目标之后，如何达到这个目标？这都是你自己需要考虑清楚的问题，没有人能真正帮你来做。
科学的准备笔试和面试
校园招聘对候选人的考察主要在下面几个方面：
思维能力
包括学习能力，理解能力，分析和解决问题的能力。良好的学习能力，分析解决问题的能力，逻辑思维严密而灵活，思路清晰，这样的人是所有企业都欢迎的。这既可以通过所谓的智力题来考察，也可以通过一些专业领域的问题来考察。这是体现一个人的硬实力的地方。不过我们也是可以做出准备的，首先，对于常见的一些面试智力题，可以上网搜索，分析答案，如果因为这方面你没有准备到而被刷，那就太冤枉了。有些公司可能会出一些创新的题目，但绝大部分，只要你坐下来冷静分析思考，是可以给出正确答案的，至少你不应该放弃，要给面试官提供一个思路。对于专业领域里的一些问题，你也要有思考，例如，让你去优化一个算法的执行速度，你该怎么去做？
专业领域的基础知识
如数学、机器学习、深度学习的知识。这需要你对这些知识有扎实的掌握和理解。经得起拷问。数学是机器学习、深度学习的基础，虽然笔试和面试时不会大量的考察数学题，但微积分、线性代数、概率论、最优化方法中常用的知识点还是要掌握。机器学习和深度学习中的任意一个概念、方法都有可能会在面试时被问到，因此你对这两门课要要充分的准备。
计算机的基础知识
大的互联网类公司非常喜欢考这种题目。包括c/c /python等编程语言，数据结构，算法。对于编程语言，基础的常用的知识一定要掌握，毕竟你以后是要靠它们吃饭的，而不仅仅只是为了通过面试。很多编程语言类的题目都出自一些经典的书籍，如《c primer》，《effective c 》等。对于算法，最经典的是《算法导论》，如果你没有时间和信心看完这本书，起码要看一本简易版的数据结构和算法教材。常见的编程语言、算法题在网上都有题库，费点时间去刷一下，研究一下答案，对你来说是一条捷径，为什么不走？
学术与项目经验。
一般来说，按照你所投的岗位，会问你本岗位所需要的一些专业知识。例如，如果你投的是NLP的职位，那NLP的主要问题难免会被问到。这些需要你平时话时间去掌握，并思考。对于一些深层次的问题，只有你真的思考过了，或者遇到过了，才会给出合适的答案。
工程能力
这一般通过编程题，或者上机编程来考察。计算机是偏实践和工程的学科，而实际编程，是考验一个人的编程能力的试金石。因此，你一定不能纸上谈兵，只懂理论而不会编程实现。编程能力的提升需要一个过程，主要在于平时的练习和积累。如果你之前代码写的少，那必须要花时间突击一下，把欠缺的补上来。
沟通、团队协作能力
这是专业能力之外的能力，但对一个人来说也非重要。至少你在面试时应该能顺畅的和面试官沟通，听清楚他的各种问题，思考之后给出答案，并有分寸的和面试官沟通。这方面的能力，是在平时养成的。
愉快的开始自己的第一份工作
如果你通过了某些公司的面试，顺利的拿到了offer，那么恭喜你！你将开始人生的新阶段，正式踏入社会。
以积极、正面的心态投入到第一份工作中是非常重要的。在工作中，你难免会遇到各种困难，技术上的，沟通合作上的，还有其他方面的。此时的你，已经不再是一个学生，而是有自己的判断力和处事能力的成年人。
对于遇到的问题，要以积极正面的心态去面对，无论哪个团队、上级 ，都不会喜欢一个负能量的人。对于技术和研发中的问题，可以自己思考，也可以多和同时沟通，一起解决。对于管理、人际关系方面的问题，要以成熟的心智去处理，无论在哪里，有人的地方就有江湖，有江湖的地方就有人际关系问题。正确的做法是以平常心去看待这些问题，保持自己的道德和为人底线，做好自己的事情。
▲向上滑动查看更多推荐文章
科普类
【获取码】SIGAI0413
机器学习——波澜壮阔四十年
【获取码】SIGAI0620
理解计算：从√2到AlphaGo ——第1季 从√2谈起
【获取码】SIGAI0704
理解计算：从√2到AlphaGo ——第2季 神经计算的历史背景
【获取码】SIGAI0713
理解计算：从√2到AlphaGo ——第3季 神经计算的数学模型
【获取码】SIGAI0815
理解计算：从√2到AlphaGo ——第4季 凛冬将至
【获取码】SIGAI0802
机器学习和深度学习中值得弄清楚的一些问题
数学类
【获取码】SIGAI0417
学好机器学习需要哪些数学知识
【获取码】SIGAI0511
理解梯度下降法
【获取码】SIGAI0518
理解凸优化
【获取码】SIGAI0531
理解牛顿法
机器学习类
【获取码】SIGAI0428
用一张图理解SVM的脉络
【获取码】SIGAI0505
理解神经网络的激活函数
【获取码】SIGAI0522
【实验】理解SVM核函数和参数的作用
【获取码】SIGAI0601
【群话题精华】五月集锦—机器学习和深度学习中一些值得思考的问题
【获取码】SIGAI0602
大话AdaBoost算法
【获取码】SIGAI0606
理解主成分分析（PCA）
【获取码】SIGAI0611
理解决策树
【获取码】SIGAI0613
用一句话总结常用的机器学习算法
【获取码】SIGAI0618
理解过拟合
【获取码】SIGAI0627
k近邻算法
【获取码】SIGAI0704
机器学习算法地图
【获取码】SIGAI0706
反向传播算法推导—全连接神经网络
【获取码】SIGAI0711
如何成为一名优秀的算法工程师
【获取码】SIGAI0723
流形学习概述
【获取码】SIGAI0725
随机森林概述
【获取码】SIGAI0822
机器学习中的最优化算法总结
深度学习类
【获取码】SIGAI0426
卷积神经网络为什么能够称霸计算机视觉领域？
【获取码】SIGAI0508
深度卷积神经网络演化历史及结构改进脉络-40页长文全面解读
【获取码】SIGAI0515
循环神经网络综述—语音识别与自然语言处理的利器
【获取码】SIGAI0625
卷积神经网络的压缩与加速
【获取码】SIGAI0709
生成式对抗网络模型综述
【获取码】SIGAI0718
基于深度负相关学习的人群计数方法
【获取码】SIGAI0723
关于感受野的总结
【获取码】SIGAI0806
反向传播算法推导--卷积神经网络
【获取码】SIGAI0810
理解Spatial Transformer Networks
机器视觉类
【获取码】SIGAI0420
人脸识别算法演化史
【获取码】SIGAI0424
基于深度学习的目标检测算法综述
【获取码】SIGAI0503
人脸检测算法综述
【获取码】SIGAI0525
【SIGAI综述】行人检测算法
【获取码】SIGAI0604
FlowNet到FlowNet2.0：基于卷积神经网络的光流预测算法
【获取码】SIGAI0608
人体骨骼关键点检测综述
【获取码】SIGAI0615
目标检测算法之YOLO
【获取码】SIGAI0622
场景文本检测——CTPN算法介绍
【获取码】SIGAI0629
自然场景文本检测识别技术综述
【获取码】SIGAI0716
人脸检测算法之S3FD
【获取码】SIGAI0727
基于内容的图像检索技术综述——传统经典方法
【获取码】SIGAI0817
基于内容的图像检索技术综述——CNN方法
自然语言处理
【获取码】SIGAI0803
基于深度神经网络的自动问答概述
【获取码】SIGAI0820
文本表示简介
工业应用类
【获取码】SIGAI0529
机器学习在自动驾驶中的应用-以百度阿波罗平台为例【上】
本文为SIGAI原创
如需转载，欢迎发消息到本订号
