NLP算法岗面经:我,双非本科,0项目经验,三个月拿到30K的Offer

人工智能与算法学习

共 11000字,需浏览 22分钟

 ·

2021-12-11 23:29

2021年还有1个月就要过去,NLP算法求职几家欢喜几家愁。有人offer拿到手软,有人从灰飞烟灭到人间地狱。


我们用了2个月的时间,调研了200多位NLP工程师和100个在2021年热招的岗位,对过去一年NLP领域人才求职和热招岗位情况深度分析了一下。发现了一些情况,以飨大家。


01
NLP算法求职更难了吗?



先直接上个有点粗糙但又反应现状的模型,来说明一下今年秋招NLP算法岗的现状。

上图发给小伙伴看,小伙伴说,好内卷啊,太卷了,卷之又卷。


但是我们仔细看,真的卷吗?


其实未必。


首先我们看到,其实很多人的能力,是处于中等偏下。这导致了中等偏下能力的NLP算法岗的内卷;而在入门之后,技术能力每进一步,其求职难度就会下降一截。这也就反映出:


现在大部分入门级NLP算法工程师的能力
是不太能够适用现在工业界的用人需求的


也就是说,要在NLP算法岗位吃的更开,广大入门或初级的NLPer需要更加修炼自己的技术能力,才能在人才红海中杀出一条血路。


02
NLP岗位要求更高了吗?



自18年之后网上对算法岗劝退的声音就逐渐多起来了,这一方面是由于工业界的萝卜坑不再大幅增长;另一方面,当下工业界看重的能力矩阵也出现了一些不同。现在工业界则愈发注重实际工程落地能力、处理“脏”问题和“乱”问题的能力。这种能力在前些年是可以忽略的,因为在当时一个候选人有基本的代码能力、合格的NLP知识储备就已经很了不起了。而现在的同学要去竞争NLP算法岗,要么需要用足够分量的paper来为自己的学术水准背书,要么需要


拿出很有说服力的工程项目经历


为自己技术能力正名


而这些都不是在普通技术课程或Demo里所能做到的

 

在这次调研分析中,为了更细致洞察NLP岗所需的能力要求,我们按照不同的业务,从Boss上面找到了100个NLP岗位的JD


分析了不同岗位方向的能力要求比例:

  • 知识图谱、信息抽取方向 70%

  • 对话系统、问答系统方向 40%

  • 文本分类、情感分析方向 20%

  • 文本推荐方向 15%


(*其中采样部分对话系统、推荐系统的搭建依赖于知识图谱、信息抽取技术。)


同样我们也统计了这100个NLP岗位对其他方面的要求,其中


软技能:

  • 学习能力、解决问题能力 60%

  • 团队协作能力 40%

  • 表达沟通能力 20%

加分项:

  • 高质量的论文 40%

  • 深度参与的实战算法项目 80%

  • 高质量的比赛和比赛名次 30%


对2022年NLP岗位趋势有兴趣的
可以加我微信一起聊聊


通过以上总结:

扎实的NLP基础知识

NLP相关的项目实战经历

问题解决能力

求职的能力


这4项,是工业界最看重或求职最关键的因素。

*求职的能力:很多人对自己缺少全面认知,忽视且没有专门训练业务理解、行业认知、面试和简历的能力,这大大降低了求职成功率和高薪率。
 

在深刻洞察工业界对NLP人才需求的基础上,经过6个月的研发打磨,我们推出


《NLP算法工程师-AI职业自由计划》


本培养计划,依托Greedy AI 高品质技术资源、NLP界智囊资源和高科技企业招聘资源,为NLP从业者提供“最大化职业生涯ROI”的职业跃迁服务;在合作中,高品质、强履约、最大化让参与者开启辉煌璀璨的AI职业生涯。


通过本计划,学员一定可以拿到不止一个高质量NLP岗位的offer,实现涨薪飞跃。我们相信本计划将根本解决广大NLPer的求职难题,并持续深刻影响职业生涯发展。


Part1 技术能力

Part2 项目研发

Part3 求职规划

精品NLP基础课程

业内创新的NLP项目实战

专业定制化求职规划

This course is all you need;


涵盖NLP全体系的正价技术课程,全面掌握从入门学习到在职进修、跳槽涨薪的技术能力;


本课程已经更新将近10次,培养了数以万计的NLP算法工程师;


告别Demo项目,参与真实企业项目;


需求来源于企业

AI工程师带你拆解任务并完成项目;


互联网、AI、智能汽车、金融科技、医疗科技、智能制造、智慧营销、新零售等;

 

硬核提升实战能力和简历背景

规划未来3-5年最优发展路径;


全球300+Top科技大厂HRD和技术Leader岗位直推;


AICCE全面人才测评诊断个人素质;


甄选目标名企前辈,定制化个人面试辅导/模拟/咨询导师,面试无忧;


合约保证求职/涨薪必成;


向对象


本计划采取双向选择的模式,申请者提交简历申请,符合条件的,确认合作事宜。

符合以下条件之一,均可申请:


  • 海外在校留学生(含本科、硕士生和博士生)或在职人士;

  • 一本以上应届生或在职人士;

  • 硕士应届生或在职人士;

  • 有1年以上coding经验的在职人士;

 

如果你还没有收到心仪的offer

或者对现有岗位不满意

可以加我微信一起聊聊



以下我们通过技术能力篇项目研发篇求职规划篇,这三大部分,来说明一下这个计划如何帮助你拿到高质量的NLP岗位的offer。



(*长文预警,Part3有干货)





技术能力篇




1、对于今后想从业NLP领域的人,这可能是最全面但同时最精简的课程,该课程已经更新迭代近10次,学完绝对可以满足NLP岗位的技术要求,而且大概率可以让你的技术层面做到TOP10%的水准

2、对于已经从业NLP领域的人,可以帮助你利用最少的时间成本来加深对知识的理解和对前沿技术的理解。

01 课程大纲

(滑动下方区域查看更多↓)








第一章:自然语言处理概述
  • 什么是自然语言处理

  • 自然语言处理的现状与前景

  • 自然语言处理应用

  • 自然语言处理经典任务

  • 职业发展

 
第二章:数据结构与算法基础
  • 时间复杂度、空间复杂度

  • 动态规划

  • 贪心算法

  • 各种排序算法

 
第三章:分类与逻辑回归
  • 逻辑回归介绍

  • 最大似然估计

  • 优化与梯度下降法

  • 随机梯度下降法

 
第四章:模型泛化与调参
  • 理解过拟合

  • 防止过拟合

  • L1与L2正则

  • 交叉验证

  • 正则与MAP估计

 
 
第五章:文本预处理与表示
  • 各类分词算法

  • 词的标准化

  • 拼写纠错、停用词

  • 独热编码表示

  • tf-idf与相似度

  • 分布式表示与词向量

  • 词向量可视化与评估


第六章:词向量技术
  • 独热编码的优缺点

  • 分布式表示的优点

  • 静态词向量与动态词向量

  • SkipGram与CBOW

  • SkipGram详解

  • Negative  Sampling

 
第七章:语言模型
  • 语言模型的作用

  • 马尔科夫假设

  • UniGram, BiGram, NGram模型

  • 语言模型的评估

  • 语言模型的平滑技术

 

第八章:隐马尔科夫模型
  • HMM的应用

  • HMM的Inference

  • 维特比算法

  • 前向、后向算法

  • HMM的参数估计详解


第九章:线性条件随机场
  • 有向图与无向图

  • 生成模型与判别模型

  • 从HMM与MEMM

  • MEMM中的标签偏置

  • Log-Linear模型介绍

  • 从Log-Linear到LinearCRF

  • LinearCRF的参数估计

 

第十章:深度学习基础
  • 理解神经网络

  • 各种常见的激活函数

  • 反向传播算法

  • 浅层模型与深度模型对比

  • 深度学习中的层次表示

  • 深度学习中的过拟合

 
第十一章:RNN与LSTM
  • 从HMM到RNN模型

  • RNN中的梯度问题

  • 梯度消失与LSTM

  • LSTM到GRU

  • 双向LSTM

  • 双向深度LSTM

 
第十二章:Seq2Seq模型与注意力机制
  • Seq2Seq模型

  • Greedy Decoding

  • Beam Search

  • 长依赖所存在的问题

  • 注意力机制的实现


第十三章:动态词向量与ELMo技术
  • 基于上下文的词向量技术

  • 图像识别中的层次表示

  • 文本领域中的层次表示

  • ELMo模型

  • ELMo的预训练与测试

  • ELMo的优缺点

 
第十四章:自注意力机制与Transformer
  • LSTM模型的缺点

  • Transformer概述

  • 理解自注意力机制

  • 位置信息的编码

  • 理解Encoder和Decoder区别

  • 理解Transformer的训练与预测

  • Transformer的缺点

 
第十五章:BERT与ALBERT
  • 自编码介绍

  • Transformer Encoder

  • Masked语言模型

  • BERT模型

  • BERT的不同训练方式

  • ALBERT 


第十六章:BERT的其他变种
  • RoBERTa模型

  • SpanBERT模型

  • FinBERT模型

  • 引入先验知识

  • K-BERT

  • KG-BERT

 
第十七章:GPT与XLNet
  • Transformer Encoder回顾

  • GPT-1, GPT-2,  GPT-3

  • ELMo的缺点

  • 语言模型下同时考虑上下文

  • Permutation LM

  • 双流自注意力机制



第十八章:命名识别与实体消歧
  • 信息抽取的应用和关键技术

  • 命名实体识别

  • NER识别常用技术

  • 实体统一技术

  • 实体消歧技术

  • 指代消解

 
第十九章:关系抽取
  • 关系抽取的应用

  • 基于规则的方法

  • 基于监督学习的方法

  • Bootstrap方法

  • Distant Supervision方法

 
第二十章:句法分析
  • 句法分析的应用

  • CFG介绍

  • 从CFG到PCFG

  • 评估语法树

  • 寻找最好的语法树

  • CKY算法

 
第二十一章:依存文法分析
  • 从语法分析到依存文法分析

  • 依存文法分析的应用

  • 基于图算法的依存文法分析

  • 基于Transition-based的依存文法分析

  • 依存文法的应用案例

 
第二十二章:知识图谱
  • 知识图谱的重要性

  • 知识图谱中的实体与关系

  • 非结构化数据与构造知识图谱

  • 知识图谱设计

  • 图算法的应用

 

第二十三章:模型的压缩
  • 模型压缩重要性

  • 常见的模型压缩总览

  • 基于矩阵分解的压缩技术

  • 基于蒸馏的压缩技术

  • 基于贝叶斯模型的压缩技术

  • 模型的量化

 
第二十四章:基于图的学习
  • 图的表示

  • 图与知识图谱

  • 关于图的常见算法

  • Deepwalk和Node2vec

  • TransE图嵌入算法

  • DSNE图嵌入算法

 
第二十五章:图神经网络
  • 卷积神经网络回顾

  • 在图中设计卷积操作

  • 图中的信息传递

  • 图卷积神经网络

  • 图卷积神经网络的经典应用

 
第二十六章:GraphSage与GAT
  • 从GCN到GraphSAge

  • 注意力机制回归

  • GAT模型详解

  • GAT与GCN比较

  • 对于异构数据的处理

 
第二十七章:图神经网络的其他应用
  • Node Classification

  • Graph Classification

  • Link Prediction

  • 社区挖掘

  • 推荐系统

  • 图神经网络的未来发展



02 部分案例

1. 实现一个拼写纠错器
2.  从零实现Word2Vec词向量
3. 利用SkipGram做推荐
4. 从零实现HMM模型
5. 基于Linear-CRF的词性分类器实现
6. 从零实现深度学习反向传播算法
7. 实现AI程序帮助写程序
8. 实现AI程序帮助写文章
9. 基于Transformer的机器翻译
10. 基于KG-BERT的知识图谱学习
11. 基于知识图谱的风控系统
12. 基于知识图谱的个性化教学
13. 利用蒸馏算法压缩Transformer
14. 利用GCN实现社交推荐
15. 基于GAT的虚假新闻检测
(剩下20+个案例被折叠,完整请找我要...)

 
03 部分项目作业


涉及到的知识点:
  • 中文分词技术

  • 独热编码、tf-idf

  • 分布式表示与Word2Vec

  • BERT向量、句子向量

 
    
涉及到的知识点
  • 问答系统搭建流程

  • 文本的向量化表示

  • FastText

  • 倒排表

  • 问答系统中的召回、排序

 
    
涉及到的知识点
  • 命名实体识别

  • 特征工程

  • 评估标准

  • 过拟合

 
    
涉及到的知识点
  • 常见的对话系统技术

  • 闲聊型对话系统框架

  • 数据的处理技术

  • BERT的使用

  • Transformer的使用

 

涉及到的知识点
  • 医疗专业词汇的使用

  • 获取问句的意图

  • 问句的解释、提取关键实体

  • 转化为查询语句

 

涉及到的知识点
  • 文本摘要生成介绍

  • 关键词提取技术

  • 图神经网络的摘要生成

  • 基于生成式的摘要提取技术

  • 文本摘要质量的评估

 

04 部分论文





有在学习NLP算法的

可以加我微信一起探讨




项目研发篇



01 项目特色



真实企业的算法研发项目

你来这里并不是为了上课,而是来参与一个真实的企业项目


真实公司环境

像在公司一样做事情,做出看得见且有价值的系统


高水平导师带教带Coding

整个项目实施过程中,有高水平的AI项目导师和项目工程师陪伴每个小组的项目实施


团队协作机制

没有标准的答案,需要去不断思考、小组内部思维碰撞,直到部署产品上线


02 培养方案



03 面向企业画像



04 实战项目


实战周期:

项目小组:3-4人一组
项目周期:10周-12周
评估:中期验收、项目展示与答辩,颁发结业证书、优秀毕业证书


实战安排:

  1. 每周项目任务review例会:由项目小组 + 项目管理 + 助教工程师参与(周一)

  2. 每周一次技术分享:所有的项目组一起参加,轮流做技术分享(周四或者周五)

  3. 每个人选择维护技术博客或者github, 两周一次的频次上传平时的工作,打造自己的portfolio。

  4. 中期成果展示:由每个小组 + 项目管理 + 助教工程师 + 导师共同参与

  5. 项目展示以及答辩:所有的项目组一起参加,每个小组轮流展示项目并做答辩,评选优秀项目组,颁发奖项。


实训中参与的成员:

  1. 参与的用户/学员:实操并完成一个可上线的企业产品

  2. 助教工程师:学员的mentor,全程陪伴项目实施过程

  3. NLP导师:负责解决方案的提出、任务拆解、以及中期、末期验收

  4. 项目经理:负责每个小组的项目进度,保证项目如期完成

  5. 前/后端工程师:负责除了NLP模块之外的开发

  6. 设计/产品经理:提供对产品的前期设计

 


此项目主要解决2B营销上的痛点:
  • 商机在哪里?哪些企业需要人力外包?哪些企业需要企业培训?哪些企业目前正需要融资?

  • 如何实时追踪企业需求的变化?哪些企业开始扩张?哪些企业开始做数字化升级?

  • 如何提高谈单转化率?如何推理出企业背后的痛点?如果快速给出个性化解决方案?

 
【解决方案】
【任务拆解】


1.需求梳理以及解决方案设计

任务:根据业务需求,调研相关的方案,并按照小组为单位提出落地的方案,包括技术选型、算法方案。

交付:解决方案文档。

2.设计知识图谱

任务:根据业务需求,设计知识图谱的schema,包括实体类型,属性、关系。

交付:知识图谱设计方案

3.招聘JD的解析

任务:解析JD中的关键词,以便用于搭建企业画像。

交付:解析之后的结果以服务的方式提供。

4.研报/公告数据的解析

任务:从研报,公告数据中提取关键指标,如业务数据、合作关系变化、合作情况等。

交付:解析之后的结果以服务的方式提供。

5.事件抽取

任务:从新闻、微博、公告中提取公司事件。

交付:抽取之后的事件以服务的方式提供。

6.知识图谱的存储

任务:把结构化之后的数据存入知识图谱中。

交付:根据字段读取知识图谱中的数据的服务。

7.构建企业画像

任务:根据已经处理好的数据,搭建企业的画像,之后用于分析、推荐已经商机挖掘。

交付:存好的企业画像。

8.商业分析

任务:根据已经知道的数据,展示数据的看板

交付:根据每个query可返回的数据。

9.智能商机发现算法

任务:根据企业现阶段状况,预测出潜在的客户。

10.智能解决方案生成

任务:根据企业知识图谱,以及客户的需求,自动生成一套解决方案。

11.项目总结以及答辩

任务:用户需要参与最后的答辩,答辩通过即可拿到项目案例成功的证书。

12.项目文档整理

任务:项目文档整理,代码整理

 

【时间管理】

 


【项目配套教研】


第一章:需求讲解与解决方案概览

  • 项目需求讲解

  • 解决方案概览,作为参考

  • 接口开发以及部署

 

第二章:设计知识图谱

  • 知识图谱介绍

  • 实体、关系的设计

  • 知识图谱的设计原则

 

第三章:信息抽取技术

  • 基于序列模型(RNN/LSTM)的信息抽取

  • BERT等预训练模型的使用

  • 招聘JD的解析

  • 研报、公告解析思路

  • 事件抽取思路

 

第四章:企业画像的搭建

  • 从结构化数据到画像的搭建

  • 标签体系的设计

 

第五章:存储知识图谱

  • 图数据库的选择

  • 图数据库的使用

 

第六章:知识图谱中的AI应用

  • 基于知识图谱的可视化分析

  • 基于知识图谱的关联分析

  • 基于知识图谱的推荐

 

第七章:智能商机的挖掘

  • 挖掘商机的类别

  • 每一种商机挖掘的方法论

 

第八章:智能解决方案的生成

  • 智能解决方案的生成要解决的问题

  • 基于知识图谱的解决方案

 

第九章:系统优化迭代

  • 评估系统

  • 工业界迭代思路

 

第十章:测试以及API部署

  • AI系统的测试方法

  • 服务器中部署服务以及测试



真正让项目落地包含很多的挑战,比如:

  • 如何通过简历、过往经历以及结合知识库构建人才画像? 

  • 如何识别简历中的问题点以及矛盾点? 

  • 如何在推荐过程中自动给出可解释性推荐理由? 


【解决方案】


(滑动下方区域查看更多↓)









【任务列表】

  1. 项目需求调研,解决方案设计

任务描述:根据业务需求,调研相关的方案,并按小组提出整体的可落地的整体解决方案。主要设计好系统的模块,以及实现每个模块的大致技术选型。

交付物:解决方案设计


  • 设计接口标准

任务描述:按照整体的解决方案,设计每个接口的标准,以便于后续分工的实施。

交付物:接口文档


  1. 准备所需要的知识库

任务描述:岗位图谱、技能图谱、公司图谱等必要的知识库,并把数据存入知识库如Neo4j。

交付物:API接口,Json格式


  1. 简历文档解析

任务描述:解析不同格式的简历文件如word、pdf、rtf、image等常见的不同格式。

交付物:API接口,Json格式


  1. 简历解析

任务描述:按照接口文档,从简历中解析出各个字段如学校、工作经历、技能、特长、联系方式等。

交付物:API接口,Json格式


  1. 职位解析

任务描述:按照接口文档,从职位中解析出各字段如工作地点、薪资范围、技能要求、学历要求等。

交付物:API接口,Json格式


  1. 人才画像

任务描述:根据已经解析出来的简历字段以及知识库,构建人才画像。此人才画像的构建需要基于部分知识图谱的推理。

交付物:API接口,Json格式


  1. 职位画像

任务描述:根据已经解析出来的职位以及知识库,构建职位画像。此职位画像的构建依需要基于部分知识图谱的推理。

交付物:API接口,Json格式


  1. 以岗推人

任务描述:根据给定的岗位,推荐合适的候选人。需要设计一套推荐机制(包括召回、精排),能够推荐最适合的人给到岗位,这里的挑战来源于要结合公司业务现状、以及要给出推荐理由。

交付物:API接口


  1. 以人推岗

任务描述:根据给定的候选人,推荐合适的岗位。需要设计一套推荐机制(包括召回、精排),能够推荐合适的岗位,挑战跟任务9类似。

交付物:API接口


  1. 简历修改建议

任务描述:从求职者的角度,根据给定的简历、以及要投的职位,从专业的角度自动给出简历修改建议。

交付物:API接口,Json格式


  1. 职位修改建议

任务描述:从招聘者的角度,根据公司的业务介绍,以及招聘的职位,从专业的角度自动给出JD的修改建议。

交付物:API接口,Json格式


  1. 接口测试

任务描述:测试已开发好的接口,以及测试准确率。

交付物:测试报告


  1. 接口文档整理,部署API

任务描述:把所有的工作写成文档,并把API接口部署在给定的服务器上。

交付物:线上可运行的API接口和文档。


  1. 项目总结和答辩

任务描述:准备用于答辩的PPT和线上可运行的项目演示。

交付物:线上答辩


【任务管理】


【配套课程】

为了让项目能够顺利进行,我们会配套相应直播/录播的形式来帮助解决学员在项目过程中有可能会遇到的问题。


第一周:需求讲解与解决方案概览

  • 项目需求讲解

  • 解决方案概览,作为参考

  • 接口开发以及部署

  • Flask, Docker, Jenkins等技术


第二周:知识库介绍以及图谱搭建

  • 知识库的介绍,以及必要性

  • Neo4j图数据库使用

  • 图谱搭建的思路


第三周:常见的问题总汇TBD

第四周:简历的结构化

  • 实体和关系抽取介绍

  • 基于深度学习的实体抽取技术

  • 结合词典的信息抽取

  • 结合关系的关键词抽取

第五周:人才画像以及职位画像

  • 从简历信息到人才画像搭建

  • 从职位信息到职位画像搭建

  • 利用知识推理做信息补全和修正

  • 抽取人才能力和经历亮点

第六周:常见的问题总汇TBD

第七周:人岗推荐算法思路

  • 推荐算法概览

  • 以岗推人算法思路

  • 以人推岗算法思路

  • 推荐理由的自动生成

  • 推荐模型的可解释性

第八周:简历修改和岗位修改建议生成

  • 简历修改自动建议生成

  • 岗位描述修改自动建议生成

第九周:项目的评估以及持续迭代

  • 项目的效果评估

  • 项目优化思路讲解

第十周:项目最终交付标准

  • 完整的项目交付标准

  • 服务器项目部署流程

  • 文档编写和答辩要求

第十一周:常见的问题总汇TBD

第十二周:项目答辩以及结业





此项目主要来搭建医疗诊断机器人,功能包括:

  • 收集病人的症状,并从收集的对话中抽取关键的信息

  • 基于跟病人的持续交流,对病人的症状越来越深入,最后给出解决建议

  • 需要融合大量的专家知识图谱


解决方案:




此项目主要解决舆情监控上的如下几个问题:

  • 竞品分析:竞品的产品目前在市场上的表现如何?用户对他们有哪些正面或者负面的评价?

  • 产品分析:关于某个公司的产品,市场中的反馈是怎样的?

  • 事件监测:最近关于某个公司,有没有一些事件发生?如何在第一时间发现这些事件?

 

 

以上项目2-4的任务拆解和配套教研

可以私信我获取



求职规划篇



01 1V1面试辅导+模拟


本服务旨在全方位提高AI求职者在应聘互联网大厂、科技公司时面试环节的能力,通过一系列专业的面试辅导以及贴近实战的模拟面试,帮助求职者顺利拿下面试官,通过面试,获得offer。


【项目核心优势】

扎实的理论基础-导师均毕业于国内外顶级院校
前沿的视野和丰富人脉-导师均就职于国内外顶级公司
深刻的行业认知-导师平均工作年限超5年
真实还原大厂面试-大厂在职前辈1V1服务


【私人定制】

基于目标行业/公司制定专属面试辅导计划
匹配目标行业头部大厂专家导师,针对性更强


【服务内容】


01

技术面试知识讲解:包含90%AI高频基础知识练习及题目讲解

  • 提供学员AI行业的高频笔试题库,推荐完成顺序,并进行题目讲解;

  • 提供学员机器学习与深度学习高频易考点文档,并讲解高频案例;


调研近200名AI相关工作的求职者,涵盖近30个互联网公司,其中包括阿里、京东、腾讯、华为、字节、小米等头部公司,我们发现不管是在笔试阶段,还是在技术论面试阶段,都会考察大家的AI(机器学习、深度学习)基础知识,以及手推数学公司、写代码等;


02

面试项目分析:对简历所写实习、项目、论文、专利及比赛进行深度挖掘,贴合求职公司或者求职岗位的业务需求,提炼亮点


技术面试时技术主管特别喜欢询问求职者所做项目和论文的细节,比如说动机、实验设计、效果验证、创新点、复盘、横向对比其他paper等;稍有偏差可能就错过一个难得的机会

03

HR面试攻略:了解目标公司的面试流程、薪资谈判技巧以及如何正确反问面试官


不同公司的面试流程及轮次不同,提前带你熟知目标求职公司的面试流程,做到心中有数,快人一步;另外薪资谈判技巧是必须掌握的,帮你争取期望利益最大化;


面试能力针对性提高:自我介绍的逻辑性、个人条件的软实力、优缺点;

04

模拟面试

面试导师来自于头部互联网大厂,真实模拟、还原互联网大厂面试流程,并在模拟后给出反馈及指导


02 AICCE-算法工程师职业竞争力测评

全面洞察+精准提升,助你扶摇“职”上

  • 基于专业人才数据库,对标自己与Top10%工程师的差距:数学基础、编程能力、机器学习、深度学习、自然语言处理


  • 精准测评个人素质,全面洞察胜任力:沟通能力、情商水平、智商水平、逻辑思维、批判性思维、创新能力


  • 智能生成个性化学习地图,职业发展更清晰:AI人才专家进行全面详细的洞察和评价,给出详尽精准提升方案


贪心科技X睿正咨询,为“攻城狮”量身定制


强强联手,打造国内最适配AI算法工程师的专业人才测评产品

  • 人工智能资深工程师

  • 一线互联网大厂招聘经理

  • 高级心理测评专家

  • 专业人才咨询顾问


5大维度,全面评估求职竞争力


智能测验,打造舒适作答体验:评估维度 5大维度、20多余个子维度

有在学习NLP算法的

可以加我微信一起探讨



03 AI职业规划体系化课程



1、AI行业及市场应用前景分析


重点解决:AI行业下细分赛道选择的问题,也就是众多的AI+哪一个才是当红辣子鸡,避免同样的技术实力选到夕阳产业,随时面临淘汰,薪资不尽人意


  • 人工智能发展应用现状-全球市场

  • 人工智能发展应用现状-中国市场

  • 人工智能发展应用场景分析-金融科技

  • 人工智能发展应用场景分析-智慧营销

  • 人工智能发展应用场景分析-新零售

  • 人工智能发展应用场景分析-智能汽车

  • 人工智能发展应用场景分析-智慧医疗

  • 人工智能发展应用场景分析-智能制造

  • 人工智能典型厂商分析


2、算法工程师及细分岗位的介绍及工作内容科普


重点解决:0经验算法新人对职场中业务场景的认知,提前了解工作中的合作部门,以及任务指标


  • 人工智能在公司中都在做什么

  • 算法工程师-自然语言处理

  • 算法工程师-机器学习


3、算法工程师校招/社招趋势以及人才薪资水平


重点解决:校招及社招人群求职时间线、笔试及面试题型和解题技巧,以及专业面试的高频问题


  • 算法工程师的校招趋势及求职建议

  • 算法工程师的社招趋势及求职建议


4、FAMG和BAT算法工程师的简历都长啥样子


重点解决:算法工程师简历撰写的原则,梳理、提炼项目优势的方法


  • 算法工程师的中文简历撰写指导

  • 算法工程师的英文简历撰写指导


5、算法工程师专业和HR面试指导


重点解决:围绕算法工程师这个岗位,针对性提炼专业面试问题的题型及作答技巧,细化HR面试中针对算法工程师展开的项目经历提问等内容


  • 算法工程师HR面试中的常见问题及作答技巧

  • 算法工程师专业笔面试中的高频问题及作答思路

  • 算法工程师笔面试


6、职场素质


重点解决:技术和业务不如你的人都高薪晋升了,为什么你还在原地?同事和其他人交流都非常轻松,为什么总是曲解你的意思?


  • 三大典型职场情景沟通能力修炼


1
职场成功案例

姓名:李**

学校专业:燕山大学 控制工程专业 2019级硕士毕业生

原工作单位:软通动力 算法工程师 年薪20万

跳槽方向:算法工程师

匹配方案:技术研修+背景提升+求职面试一篮子服务

最终跳槽公司:荣耀 年薪45万

履约服务时长:7个月


姓名:Jerry Zhao

学校专业:澳大利亚国立大学 计算机专业 2018级本科毕业生

原工作单位:鲁班软件 初级算法工程师 年薪18万

跳槽方向:ML算法工程师

匹配方案:技术研修+案例项目学习+求职面试一篮子服务

最终跳槽公司:网易 年薪40万

履约服务时长:4个月


姓名:钱**

学校专业:中国农业大学 计算机科学与技术 2018级本科毕业生

原工作单位:聚美国际 算法工程师 年薪22万

跳槽方向:算法工程师 

匹配方案:技术研修+导师咨询+求职面试一篮子服务

最终跳槽公司:亚马逊电商 年薪47万

履约服务时长:11个月


姓名:蔡*

学校专业:中科院自动化所 智能控制与计算智能 2020级博士毕业生

原工作单位:中国科学院自动化研究所-智能系统与工程研究中心-实习 年薪5万

跳槽方向:NLP算法工程师

匹配方案:背景提升+大厂技术大牛求职方向规划+求职面试一篮子服务

最终跳槽公司:比亚迪 年薪38万

履约服务时长:2个月

2
历届学员去向

3
权威师资保驾护航


有在学习NLP算法的

可以加我微信一起探讨


浏览 40
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报