人工智能程序员应该有什么职业素养？

- 面向企业需求去学习
- AI必备技能
- 实战能力
- - 实战能力提升策略

面向企业需求去学习

如果想要应聘AI相关的岗位，就需要知道HR和管理层在招聘时需要考察些什么，面向招聘的需求去学习就能具备AI程序员该有的职业素养了。
超级程序员

那么在招聘人工智能相关的程序员时，作为AI团队的管理人员，我们不仅关注候选人的技术能力和专业背景，还会从多个维度综合评估其潜力与适配性。具体来说，以下几点是关键考量因素：

技术深度与广度：考察候选人对人工智能核心领域如机器学习、深度学习的掌握程度，包括算法理解、模型构建、优化策略等。同时，了解他们是否具备跨领域的知识，比如自然语言处理、计算机视觉或强化学习等，以及如何将这些技术应用于解决实际问题的能力。
项目经验与实战能力：通过分析候选人参与过的项目，评估其解决复杂问题的能力、技术创新力及项目管理经验。重点关注项目成果、所扮演的角色、技术挑战及解决方案，这有助于了解其在实际工作中的表现和贡献。
编程与工具使用技能：熟练掌握Python、R、Java等常用编程语言，以及TensorFlow、PyTorch等深度学习框架，是基础要求。此外，候选人对数据处理工具（如Pandas、NumPy）、版本控制工具（如Git）的熟悉程度也是考量的一部分。
研究与创新能力：在快速发展的AI领域，持续学习和创新能力至关重要。我们会关注候选人是否有发表过学术论文、参与开源项目、或是有独到的技术博客，这些都能体现其对技术的热情和探索精神。
团队合作与沟通能力：AI项目往往需要跨学科合作，因此良好的沟通技巧和团队协作能力同样重要。我们希望通过面试了解候选人如何与团队成员互动，如何清晰地表达技术观点，以及在遇到分歧时的解决策略。
行业理解和应用意识：了解候选人对于AI在特定行业（如金融、医疗、制造业等）应用的理解和见解，能够体现其将技术落地并产生商业价值的能力。这包括对行业趋势的洞察、合规性考虑以及用户需求的理解。
学习态度与适应能力：鉴于AI领域的快速发展，持续学习和快速适应新技术是必不可少的。我们重视那些展现出强烈学习欲望、能够快速掌握新知识并应用于实践的候选人。

综合以上各点，通过结构化的面试流程、技术测试、项目案例分析以及行为面试等方式，可以全面而深入地评估候选人的综合能力，确保招聘到既具备深厚技术功底，又能在团队中发挥积极作用的人才。

那么在搞清楚企业需求之后，就可以根据自己的情况去系统地补充学习相关技能了。

AI必备技能

深度学习
1. fast.ai’s Practical Deep Learning for Coders
2. DeepLearning.AI: Start or Advance Your Career in AI
3. Introduction — Spinning Up documentation (openai.com)
机器学习基础与进阶

Coursera: Machine Learning by Andrew Ng (Stanford University)- 这门课程是入门机器学习的经典之作，覆盖了从监督学习到无监督学习，再到推荐系统和强化学习的基础理论。
MIT OpenCourseWare: Introduction to Machine Learning- 提供了广泛的机器学习概念，包括概率模型、神经网络以及学习理论，适合想要深化理论基础的学习者。
Udacity: Machine Learning Engineer Nanodegree Program- 结合项目实践，从基础理论到高级技术，如深度神经网络和自然语言处理，帮助学习者成为全方位的机器学习工程师。
自然语言处理（NLP）
Hugging Face: NLP Course- 由领先的NLP库Hugging Face团队开发的课程，通过实践教授最先进的NLP技术。
Stanford CS224n: Natural Language Processing with Deep Learning- 深入探讨深度学习在NLP中的应用，包括词嵌入、循环神经网络及Transformer模型等。
Advanced NLP with spaCy- 专为spaCy用户设计，涵盖高级文本处理技巧和自然语言理解应用。
计算机视觉（CV）
Stanford CS231n: Convolutional Neural Networks for Visual Recognition- 详细介绍卷积神经网络(CNNs)及其在图像分类、物体识别等任务中的应用。
Udacity: Computer Vision Nanodegree Program- 通过一系列项目，学习者将掌握计算机视觉的核心技术和最新进展，包括图像分类、目标检测和人脸识别。
Google’s TensorFlow for Poets- 实战导向教程，教会你如何使用TensorFlow进行图像分类，适合快速上手。
强化学习（RL）
Sutton & Barto’s Reinforcement Learning: An Introduction- 经典书籍的在线版，为强化学习提供了一个全面而深入的介绍。
DeepMind: Spinning Up in Deep RL- 旨在让任何人快速掌握深度强化学习的基本概念与实践方法。
Berkeley Deep RL Bootcamp- 虽然是过去几年的Bootcamp资料，但提供了丰富的视频讲座和笔记，覆盖了强化学习的前沿研究和应用。

通过上述资源的学习，结合实际项目经验的积累，可以有效提升作为人工智能程序员的专业技能和行业竞争力，同时培养出持续学习、勇于创新的职业态度，以适应AI领域日新月异的发展需求。

AI相关平台
1. Hugging Face – The AI community building the future.

课程：Hugging Face - Learn
1. 数据集：https://huggingface.co/datasets
2. 模型库：Models - Hugging Face
技术开发技能-生成式AI精英速成计划 (amazoncloud.cn)
https://aws.amazon.com/machine-learning/mlu/
Kaggle (kaggle.com)
Deep Learning University -
https://github.com/InternLM/Tutorial
AI相关博客
https://lilianweng.github.io/posts/2021-07-11-diffusion-models/

OpenAI Lilian Weng撰文教你从头设计视频生成扩散模型

AI相关视频
1. Yann Lecun | Objective-Driven AI: Towards AI systems that can learn, remember, reason, and plan - YouTube
2. 跟李沐学AI的个人空间-跟李沐学AI个人主页-哔哩哔哩视频
大神Ilya 推荐的学习清单
1. 《循环神经网络的正则化》 (Recurrent Neural Network Regularization)
  1. 论文链接：https://arxiv.org/pdf/1409.2329
  2. 该论文提出了适用于长短期记忆网络（LSTM）的Dropout正则化技术，有效减少了过拟合问题，并在多种任务上提高了LSTM的性能。
2. 《简化神经网络的权重信息最小化》 (Keeping Neural Networks Simple by Minimizing the Description Length of the Weights)
  1. 论文链接：https://www.cs.toronto.edu/~hinton/absps/colt93.pdf
  2. 该论文探讨了通过最小化权重的描述长度来简化神经网络的方法，并通过引入噪声和调整噪声水平来优化网络的泛化能力。
3. 《指针网络》 (Pointer Networks)
  1. 论文链接：https://arxiv.org/pdf/1506.03134
  2. 该论文介绍了指针网络，这是一种新型神经网络架构，能够学习输出序列中离散标记的条件概率，使用注意力机制作为指针选择输入序列中的成员作为输出。
4. 《神经图灵机》 (Neural Turing Machines)
  1. 论文链接：https://arxiv.org/pdf/1410.5401
  2. 该论文介绍了神经图灵机（NTM）结合了神经网络和图灵机的计算模型，能够模拟图灵机的计算过程，并在某些任务上表现出优越的性能。
5. 《关系循环神经网络》 (Relational-RNN: A Deep Curiosity-Driven Framework for Unsupervised Relational Learning)
  1. 论文链接：https://arxiv.org/pdf/1806.01822
  2. 该论文介绍了关系循环神经网络（Relational-RNN）是一种用于无监督关系学习的深度学习框架，利用好奇心驱动的方法来探索和学习数据中的潜在关系。
6. 《基于深度卷积神经网络的ImageNet图像分类》 (ImageNet Classification with Deep Convolutional Neural Networks)
  1. 论文链接：https://proceedings.neurips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
  2. 该论文介绍了深度卷积神经网络在ImageNet图像分类任务上的应用，展示了深度学习进行大规模图像识别的潜力。
7. 《深度残差学习用于图像识别》 (Deep Residual Learning for Image Recognition)
  1. 论文链接：https://arxiv.org/pdf/1512.03385
  2. 该论文提出了深度残差网络（ResNet），用于解决深度网络中的退化问题，在图像识别任务中取得了突破性的性能。
8. 《通过扩张卷积实现多尺度上下文聚合》 (Atrous Convolution for Semantic Image Segmentation)
  1. 论文链接：https://arxiv.org/pdf/1511.07122
  2. 该论文介绍了扩张卷积（Atrous Convolution），用于图像分割任务中的多尺度上下文聚合，提高了图像分割的性能。
9. 《深度语音2：端到端的英语和普通话语音识别》 (Deep Speech 2: End-to-End English and Mandarin Speech Recognition)
  1. 论文链接：https://arxiv.org/pdf/1512.02595
  2. 该论文介绍了深度语音2（Deep Speech 2），一种端到端的语音识别系统，能够识别英语和普通话，展示了深度学习在自动语音识别领域的应用。
10. 《变分有损自编码器》 (Variational Disentangled Autoencoders)
  1. 论文链接：https://arxiv.org/pdf/1611.02731
  2. 该论文介绍了变分有损自编码器（VDAE），这是一种生成模型，能够学习数据的离散表示，在处理高维数据时表现出了良好的性能。
11. 《GPipe: 利用微批次管道并行化大规模神经网络》 (GPipe: Easy Scaling with Micro-Batch Pipeline Parallelism)
  1. 论文链接：https://arxiv.org/pdf/1811.06965
  2. 该论文介绍了 GPipe，一个模型并行库，允许通过微批次管道并行化来扩展大型神经网络的容量，在图像分类和多语言机器翻译任务上展示了其应用。
12. 《深度残差网络中的恒等映射》 (Identity Mappings in Deep Residual Networks)
  1. 论文链接：https://arxiv.org/pdf/1603.05027
  2. 该论文探讨了在深度残差网络中使用恒等映射的好处，尤其是在训练非常深的网络时，有助于梯度的流动，提高网络的训练效率。
13. 《机器超级智能》 (Machine Super Intelligence)
  1. 文档链接：https://www.vetta.org/documents/Machine_Super_Intelligence.pdf
  2. 该文档探讨了机器超级智能（MSI）的概念和潜在影响，讨论了人工智能发展的未来趋势和对社会的潜在影响。
14. 《科尔莫哥洛夫复杂性与算法随机性》 (Kolmogorov Complexity and Algorithmic Randomness)
  1. 书籍链接：https://www.lirmm.fr/~ashen/kolmbook-eng-scan.pdf
  2. 该书籍介绍了 Kolmogorov 复杂性理论及其在算法随机性中的应用，提供了对计算复杂性和随机性深入理解的理论基础。
15. 《用于视觉识别的 CS231n 卷积神经网络》 (Convolutional Neural Networks for Visual Recognition)
  1. CS231n是斯坦福大学的一门课程，专注于使用卷积神经网络进行视觉识别，提供了关于CNN架构、训练技巧和最新研究成果的全面介绍。
  2. 课程链接：https://cs231n.github.io/
16. 《量化封闭系统中复杂性的升降：咖啡自动机》 (Quantifying the Complexity of Closed Systems: A Coffee Automaton Example)
  1. 该论文探讨了如何量化封闭系统中的复杂性，以咖啡自动机为例进行了说明，研究了复杂性如何随时间增长和减少，并尝试找到潜在的规律。
  2. 论文链接：https://arxiv.org/pdf/1405.6903
17. 《神经消息传递在量子化学中的应用》 (SchNet: A Continuous-filter Convolutional Neural Network for Modeling Quantum Interactions)
  1. 该论文提出了一种新型的神经网络架构，用于量子化学中的分子性质预测，神经消息传递（Neural Message Passing）提供了一种强大的框架来模拟量子相互作用。
  2. 论文链接：https://arxiv.org/pdf/1704.01212
18. 《用于关系推理的简单神经网络模块》 (A Simple, Parameter-free Self-Attention Module for Neural Networks)
  1. 该论文提出了一种简单的、无需参数的自注意力模块，用于增强神经网络的关系推理能力，通过聚合来自不同位置的信息来提高网络的性能。
  2. 论文链接：https://arxiv.org/pdf/1706.01427
19. 《最小描述长度原则介绍》 (Introduction to the Minimum Description Length Principle)
  1. 该论文提供了最小描述长度（MDL）原则的教程介绍，MDL是一种用于模型选择和数据压缩的原则。
  2. 论文链接：https://arxiv.org/pdf/math/0406077

实战能力

实战能力提升策略

实战能力是检验理论知识与技术掌握程度的试金石，以下是一些提升人工智能程序员实战能力的有效策略：

参与开源项目：加入GitHub或其他平台上的开源AI项目，不仅可以接触业界最新的技术应用，还能学习优秀的代码实践，提升团队协作能力。尝试修复bug、提交新功能或改进现有算法，这些经历都是简历上的亮点。
动手做项目：基于个人兴趣或行业热点，选择实际问题进行项目实践。例如，构建一个文本生成模型、图像识别系统或推荐引擎。从数据收集、预处理到模型训练、调优、部署，完整走一遍流程，亲身体验AI项目从零到一的过程。
参加竞赛与挑战：Kaggle、天池、阿里云天池等平台经常举办数据科学与AI相关的竞赛，参与其中可以锻炼解决实际问题的能力，同时与全球高手竞技，了解自己在技术栈中的定位。
撰写技术博客：通过写作整理学习心得，分享技术解析或项目经验，不仅能巩固自己的理解，还能提高在行业内的影响力。定期更新博客，加入技术社区的讨论，可以拓宽视野，建立个人品牌。
模拟面试与复盘：利用LeetCode、牛客网等平台上的题目练习编程和算法，特别是与AI相关的题目，以准备技术面试。每次面试后进行复盘，总结得失，不断迭代自己的面试技巧和专业知识。
持续跟踪最新研究：订阅顶级会议（如NeurIPS、ICML、CVPR、ACL）的论文摘要，关注领域内领军人物的社交媒体动态，利用Arxiv Sanity Preserver等工具筛选感兴趣的研究方向，保持对前沿技术的敏感度。
学习软件工程最佳实践：良好的软件工程习惯对于AI项目同样重要，包括代码规范、版本控制、持续集成/持续部署(CI/CD)、代码审查等。熟悉Docker、Kubernetes等容器化技术，便于模型的部署和运维。
跨领域学习：AI技术在医疗、金融、教育等行业的应用日益广泛，了解这些行业的基本业务流程、数据特点及合规要求，能更好地将AI技术转化为实际价值，增强个人竞争力。
软技能提升：参加沟通、领导力、团队管理等培训，提升非技术能力。在项目汇报、技术交流中，清晰、有效地传达想法，展现领导潜力，对于职业发展同样重要。
建立导师关系：寻找行业内的导师，定期交流技术趋势、职业规划等。一位经验丰富的导师能为你提供宝贵的指导，帮助你在职业生涯的关键节点做出更明智的选择。