早些年，大家在面试各大厂时，几乎是移动开发或者后端开发工程师的天下，而 AI 算法相关的岗位几乎不见踪影。

随着前几年 AI 在业界爆发式的应用和增长，几乎每家公司都开设了算法工程师、机器学习以及大数据相关的岗位。在从无到有的队伍组建过程中，招聘都是粗放模式的，你了解各种常见机器学习算法的原理、应用场景以及优缺点等等，跑过 TensorFlow，做过几个大数据竞赛，几乎就可以拿到很多的 offer 了。

然而，今年，已经从以前粗放式的招聘模式中逐步回归理性了，企业的基础队伍基本已经组建完成，变得越来越精明起来，逐渐明白了自己需要什么样的员工。本文就今年秋招中相比于前几年新的趋势和方向与大家分享，希望大家在准备时能抓住重点，在面试中能心中有数。

1. 什么都会一点已经不够了

关注自己和岗位要求中的契合度的问题。很多同学的经历中有足够的广度，却缺少深度，比如某位同学会使用 TensorFlow，打过两个 Kaggle 的比赛，Coursera 上拿过几个证书，做过两个 NLP 的项目，跑过人脸检测的代码。这样的经历就属于没有深度、缺乏特点，和面试的岗位之间关联性不够强，在某一个特定的方面没有深入下去，在往年可能往往是足够的，但今年的招聘中竞争力不足。因此，对这些同学，建议大家思考一下，你想做哪个方向，你的特点是什么、你有什么样的优势。整个经历都围绕你的目标方向和你的特点来重新打造。比如，你想做推荐算法，那么你做的 NLP 项目中的深度学习模型能否在某些推荐场景中有效，自己可以尝试一下并给出一些结论或者该井。

随着行业进入细分和专业化的步调中，简单的依靠刷刷题、调调包、做几个相关的项目进入大厂或者独角兽的机会变得越来越低了。大家不妨集中精力在自己擅长和感兴趣的方向上，争取有自己不同于别人的小亮点。

下面给大家一些有用的改变和建议： 对某个领域感兴趣，那么，

编程能力较强的同学，可以试着做一些更加偏向于底层的设计和开发，比如该领域中某个算法在移动设备上运行；

编程和理论都还不错的同学，可以试着实现该领域中某个经典算法，并做好封装供其他人来使用；

理论基础比较强，又有发论文条件的同学，可以试着在该领域发表一些会议论文，毕竟会议论文的审稿期短一些；

能力没那么强的同学，推荐大家先对公司做调研，选出几个自己的目标公司，然后再匹配自己的技能树和这些公司所要求的技能之间的一些差距，直接弥补差距。

2. 硕士和本科的同学需要回归工程能力

不同于几年前能找到熟练推导几个基本的机器学习算法就不多的同学，现在在图书馆几乎能看到同学们人手一本西瓜书或者深度学习了。而各个公司的团队初建阶段也基本上完成了。因此，除了机器学习相关的知识点和技能外，大家需要回归到自己的工程能力上来。今年算法工程师的招聘中，更希望能招到可以很快将算法进行实现优化的同学。

基本编程语言 C++ 或者 Java 必须掌握一项，Python 等脚本语言需要掌握一项。 对于掌握的理解，以 C++ 为例，对一些基本概念有清晰的了解，面试官问到一些点如多态、容器等能够举出例子并清晰描述。

代码输出能力 LeetCode 中等难度的问题基本都能解决。贪心、动态规划、BFS、DFS、链表、二叉树等等数据结构和算法有比较深入的了解。

对一些机器学习框架的熟悉程度，例如推荐系统中使用 XGBoost，如何做特征选择，怎么用大数据框架，具体使用的哪个包，其输入参数的含义等等。3. 真正精通简历上的项目经历

虽然要求上不那么简单，但对于普通水平的同学们来讲，也没有必要强行让自己对标大牛的标准，把自己弄得很焦虑。大家要竞争的大部分也是水平差不多的同学，如何跟和自己同一层次的同学 PK 才是关键。大家简历上的项目需要尽可能切合招聘中的要求，不要太杂太粗糙。例如，一个图片分类的项目，大部分同学都是一层 Embedding 几层 RNN，跑了一遍代码，这样没有深度的宽口径项目，只能扣分不能加分。对每一个写入简历中的项目，一定要保证自己弄情况了其中所有的算法原理，能够回答出为什么选用这个损失函数等类似的问题，细节弄明白。如果回答不出来或者让面试官发现你不清不楚只是跑了一遍，调用了一下函数，印象分就会很差。