“我没有机器学习的学位，却拿到了 DeepMind 研究工程师的 Offer！”

作者 | Aleksa Gordić

译者 | 弯月

出品 | CSDN（ID：CSDNnews）

最近，我拿到了 DeepMind 的研究工程师职位！对我来说，这无疑是梦想成真，我简直不敢相信！

我没有机器学习的博士学位，没有机器学习的硕士学位，实际上我没有任何与机器学习有关的学位，我的本科专业是电子工程，我所接受的正规教育就这么多。在攻读电子工程硕士学位期间，我发现自己自学的效率更高，于是就选择了退学。

我第一次接触机器学习是在 2018 年，而我第一次接触编程是 19 岁（现年 27 岁）。那么，我究竟是怎么做到的？（注意：我并不是特别聪明，你也可以！）

我将在本文中分享所有的经历。为了尽可能地提供帮助，我会知无不言，言无不尽。这篇文章除了我个人的情况介绍，自学软件工程以及机器学习的过程，还有我顺利通过面试进入 DeepMind 的心得，希望能对各位有所启发。

本文大致分为三个部分：

1. 个人的背景介绍，以及截止到目前的学习历程。我不想误导你们，让你们觉得即便没有扎实的基础和自学经验，没有机器学习的学位，仍然可以在短时间内实现这一目标。

2. 我将详细介绍自 2018 年第一次接触机器学习以来，自学机器学习的整个过程。

3. 最后，我将介绍如何准备 DeepMind 的面试。

注意：虽然本文谈论的是 DeepMind，但这些经验同样适用于任何一流的 AI 实验室或公司，比如 OpenAI、FAIR、AI2 等。

下面，我们开始！

第一部分：背景介绍（没有机器学习学位）

那是 2017 年的夏天，我在一家名叫 Telocate 的德国小型创业公司实习，担任Android 开发。当时我即将从电子工程专业毕业，这个专业主要学习的是数字/模拟电路，计算机科学方面的课程并不多。

在我的本科学习即将结束之际（2016 年底），我发现我非常想转到软件行业。与硬件行业相比，软件更有意思，而且更加开放，还有各种黑客马拉松和数据马拉松，而且薪资待遇非常可观。

于是，第二年（2017年）早些时候，我开始自学 Android，并获得了此次实习的机会。当时我非常兴奋，觉得整个世界都是我的。

回到 2017 年的夏天。有一天，我和一位朋友聊天，我知道他是一位非常成功的软件工程师，曾在 MSFT、Facebook、Jane Street 等多家公司实习，而且当时他是我的同期，在聊天中我意识到自己落后了很多（至少在软件工程方面）。我的一些朋友从高中时代就开始参加各种编程比赛。如今，算法和数据结构已经成为了他们的第二天性。

我想申请大型科技公司的职位，但我突然意识到，在科技巨头的公司面试中，我多年来积累的所有技能都微不足道。没人在意我会说 5 种语言，我知道很多关于微控制器工作原理的细节，如何从零开始搭建模拟高频电路，以及计算机的工作原理，但实际上人们在乎的只有算法和数据结构。

我感到既困惑又愤怒。有个孩子年仅 16 岁（当时我 23 岁）就已经在Leetcode 上做了 9 个月的编程题，尽管他缺乏大量的基础工程知识，但事实就是，连他都遥遥领先于我。

那种感觉非常糟心，我至今记忆犹新。我这个人一直很有上进心，而且勤奋刻苦，但如今却落后了。我很后悔为什么没有早一点看清这一切。可是，又能怎样呢？这个世界本来就是不公平的，但这种不公平干激励了我。我暗暗下决心，接下来几年我会加倍努力，飞速追赶。

实习结束以后，回到学校我顺利毕业了。我记得我的一些朋友庆喝着啤酒，聊着天，前后庆祝了三个多星期。我呢？只在周末庆祝了一下顺利毕业，然后就立即开始制定计划。我感觉自己承担着某项使命。

我象征性地注册了硕士课程（研究生可以获得一些津贴），但我心里明白我很想进入大型科技公司工作。因此，我动手制定了一份软件工程的学习计划，此外，还参加了大学的算法课程，尽管我并没有注册这些课程。我和比我小两岁的学弟学妹们坐在一起上课。

在接下来的几个月里，我疯狂地学习，而且还申请了很多公司。不久之后， 2017 年 12 月我参加了 Facebook 的面试，但在第一轮就惨遭失败。

我一直在坚持学习，还收到了微软的面试邀请，定在 2018 年 3 月。于是，我努力地学习。我参加了黑客马拉松和数据马拉松，并开始编程比赛（主要是在Topcoder上 ）。

2018 年 2 月，我听说微软组织了一个机器学习暑期培训班。于是，我申请了这个培训班，并参加了为期 3 天的入学考试，最后我居然被录取了！我有一种强烈的直觉，这是一次向微软展示自己的机会！

大约在同一时期，我拿到了一家巴西公司的实习机会。这是一次奇妙的生活体验（我和 11 位巴西人共同生活了一段时间，而且还不得不学习说葡萄牙语），但算不上技术实习。这次实习紧跟在微软暑期培训班的后面。

2018 年 3 月，我参加了微软的面试。但我未能通过笔试。幸运的是，两个月后他们又给了我一次机会。我又试了一次，而且还通过了笔试，并参加了 4 轮的现场面试，然而三周后，他们告诉我目前没有空缺职位。我心里明白，我被拒绝了，又一次……

因此，如果说某人非常理解这个领域的新人，那么这个人就是我，我知道这整个求职过程有多么煎熬。

2018 年夏天，我参加了微软的机器学习培训班，并全力以赴。我非常投入，学到了很多知识，我们的最终项目被评为内部最佳项目（用深度强化学习解魔方）。暑期培训班结束后，2018 年 8 月上旬，我立即踏上了飞往巴西的飞机。然而三天后，我接到了微软的电话。我拿到了 Offer，并要求我尽快到岗。

那一刻，我悲喜交加。我不得不离开只住了一个多月的巴西。他们告诉我，接纳我的是“HoloLens 团队”，就是举办暑期培训班的团队。我肯定不能放过这个机会。于是，我接受了 Offer。

2018年 9 月，我进入微软担任软件工程师。我居然真的成功了，我欣喜至极。从此，我的软件工程以及机器学习的职业生涯就开始了。

然而，自从参加了暑期培训班后，DeepMind 和那种遥不可及的感觉深深地在我的潜意识中扎了根。我认识的 DeepMind 的人（他们曾在培训班讲课）都是牛津或剑桥毕业的高材生。但我的内心一直被那个没有可能性的挑战所吸引。我心想，曾经我以为微软遥不可及，但如今还是如愿以偿了。DeepMind 又何尝不可呢？所以，这个念头就深埋在我的潜意识里。

从 2018 年至 2019 年，在微软工作期间，我付出了巨大努力，尽可能地学习软件工程。我阅读了很多编程书籍，比如 Scott Meyers 撰写的 C++ 编程等。工作之余，我利用空闲时间学习机器学习。

在 2018 年底之前，我完成了 Coursera 上所有 Andrew Ng 的课程。此外，还参加了内部的机器学习黑客马拉松，并积极地参加了公司组织的机器学习培训班，同时还开始阅读研究论文。逐渐地，我开始对自己的机器学习知识越来越有信心。2019 年初，我分享了第一篇机器学习的博客。2019 年底，我在微软公司内部调整了岗位，并被派往 ICCV 2019 大会。

回来以后，我拿到了一个任务，要求利用 PyTorch 从零开始实现一篇论文。那时我对 PyTorch 一无所知。不用说，通过这个任务我学习到了很多知识。我再一次得到飞速成长。但这一次，我更聪明了，在网上分享了整个学习过程。

第二部分：机器学习课程（2020 年 1 月 - 2021 年 6 月）

2020 年，新年来临了。我建立了自己的 YouTube 频道，分享我的机器学习之旅。同时，我展开了紧张的学习。我决定在接下来的一年里学习AI的各个子领域，我大致地计划了一下，打算在每个子领域投入三个月的时间。

然而，刚开始的学习并不顺利，我只能再想办法。我学习的第一个子领域，神经风格迁移（Neural Style Transfer，即 NST），所花的时间超过了三个月，因为我觉得这个主题很有趣，又何必着急呢？

一路上，我为自己找到了一个完美的策略。我按照以下方式组织学习。我有一个“宏观”学习周期（每三个月学习一个子领域），并在此基础之上穿插了多个微学习周期。

微学习周期有两种类型：

1. 输入模式：大量摄入信息。目标是对某个子领域的结构有一个高层次的理解（通过博客和视频等），或者是对某个主题（通过研究论文和书籍等）有一个深入的了解。

2. 输出模式：分享我学习到的知识。制作 YouTube 视频、建立 GitHub 项目或编写博客文章。后来，我也开始在推特和 Discord 上分享文章。

然而，棘手的问题是如何一边利用空闲时间学习，一边做好微软的全职工作。这需要强大的毅力。每天早上醒来，首先我会写两个小时的代码，然后去散散步。回来以后，开始投入微软的工作。结束工作后，小睡 30 分钟。晚上睡觉前我还会再工作 2～3 个小时。我一直保持着这种疯狂的节奏。

关于时间管理和抗压能力，总结起来就几句话：强大的毅力、正确的心态以及合理的休息（小憩非常奏效）。

下面，我来详细谈一谈我学习的有关机器学习的详细知识，主要包括三个子领域：NST、DeepDream 和 GAN。

1.NST（神经风格迁移）

在那段时间里，我学习了神经风格迁移。我阅读了一堆研究论文，实现了三个不同的项目，然后将代码公开到了 GitHub，还制做了一系列的 YouTube 视频。

我进一步加强了 PyTorch 知识，学习了很多关于 CNN 以及优化的知识，提高了我的演讲技巧，能够更熟练地阅读研究论文，并从总体上提高了我的软件工程技术力。

下面是使用我编写的代码合成的 NST 图像：

2. DeepDream

自从第一次看到用 DeepDream 制作的图片，我就深深地着迷。于是，我下定决心认真学习这门技术以及每一个细节。我无法满足于只使用在线生成器，我希望了解其背后的工作原理。

我阅读了很多博客文章，阅读了 reddit 上关于 DeepDream 的子版块，并探索了各种代码库。大多数代码都是用 Torch & Lua 编写的。为了在 Windows 设置这个环境，我浪费了很多时间。后来换到了 Linux 上，终于可以正常工作了，但我意识到我永远不会使用这个代码库。

我根据对 DeepDream 背后理论的理解，用代码生成了一些美丽的图像，下面是一个例子：

3.GAN（生成式对抗网络）

2020年初，GAN 依然非常流行。而我缺乏这方面的基本知识，于是我决定接下来学习GAN。

我阅读了很多开创性的论文（以及一些不太突出的论文），并实现了若干 GAN、cGAN（条件 GAN）和 DCGAN 模型。下面是我训练的 DCGAN 模型输出的图片：

图：从男人逐步演变成女人

4. NLP & transformers

我想学习更多关于 BERT 和 GPT 系列模型的知识。Transformers无处不在，但我不太了解。

我尝试从零开始实现 Transformer，并决定创建一个英德机器翻译系统。因为我会说这两种语言，所以我觉得这样调试起来更加容易，而事实也确实如此。

5.图/几何机器学习

在开始尝试 Transformer 之前，我就想更深入地研究图机器学习。

回想起来，我很高兴自己先学习了 Transformer/NLP，因为 NLP 对该领域产生了巨大的影响。GAT 的灵感直接来源于 Transformer 论文、Word2Vec 的 DeepWalk 等。

我用 PyTorch 实现了一个流行的 GAT，后来这个实现非常受欢迎，有人说这是一个非常适合初学者的资源。

6.RL（强化学习）

一直以来，我都很想学习强化学习，很巧 DeepMind 以其强化学习的突破性发展而闻名。我需要了解的论文和项目实在太多了， 比如 AlphaGo、DQN、OpenAI 的机械手等等。该领域与机器学习的其他子领域有很大的不同。数据点的独立性假设在此不成立，随机种子可能会导致代理无法收敛，等等。

幸运的是，我在接触强化学习之前就积攒了很多经验，否则我很有可能失去动力。这一次，我仍然从我最感兴趣的方面入手：计算机视觉，通过它来丰富的机器学习知识。后来，又慢慢地转向了其他我知之甚少的话题。

以上就是我学习的主要内容。我记录了整个学习过程：

除了这条学习“主线”之外，早在 2020 年初阅读论文时，我就意识到自己在数学方面有些欠缺，所以我花了一些时间阅读了《面向机器学习的数学》。此外，我还阅读了以下书籍：

●《PythonData Science Handbook》，第 5 章：帮助我学习了 SVM、PCA、线性回归等基本知识。

● 《Automatethe Boring Stuff with Python》，跳过了前 11 章：自从快速学习了这门语言以来，我觉得至少应该读一本Python 的书。这本书让我建立了良好的心态，从总体上提高了我的生产力（概括：自动化重复的工作）。

●《DeepLearning》：我只读了第一部分，因为我意识到我不需要理解所有的理论。你可以将这本书作为参考手册。

●《The Bookof Why》：读这本书是因为我对因果关系非常感兴趣。

此外， 在微软工作期间，我一直在从事各种软件工程与机器学习的项目：

● 开发了一个眼镜检测算法，作为 HoloLens 2 设备上眼动追踪子系统的一部分。眼动追踪子系统的目的是预测用户眼球的视线向量，并实现用户与全息图的交互。它还可以为特定用户显示正确的图形（每个人的眼睛都不相同，因此瞳距也不同）。

● 使用视频编码器，为各种 VR/MR 设备添加注视点渲染功能。这样就可以节省耗电量，因为不需要渲染周边视觉中的内容。我阅读了 H.264 编码器的整本参考手册。

● 实现了一篇研究论文中的一个想法（在 PyTorch 中从零实现），用于跟踪用户身体上的特征点，并表明我们正在考虑的特定传感器是一个可行的选择。我也通过这个项目学习了PyTorch。

● 编写各种脚本，用于验证标签是否正确。开发内部指标流水线的一部分，处理渲染和改进合成数据，各种量化，以及进行性能和计算量之间的平衡实验（因为我使用的是边缘设备），等等。

● 面试了一些微软软件工程/机器学习职位的实习生。这让我熟悉了面试过程，并对面试官有了一定的了解。

● 在机器学习培训班中辅导学生、讲课以及举办研讨会。

第三部分：DeepMind 向我敞开大门的经过

2021 年 4 月，我经一位朋友的介绍（我们在网上讨论机器学习认识的），找到了一家猎头。在看了我制作的 YouTube 视频以及 GitHub上的代码库后，他答应向 DeepMind 推荐我，并安排了一周后的面试。

一句话总结，人际关系非常重要。没有人愿意推荐一个不认识的人，包括我自己在内。除非我们很熟悉这个人，或者通过某个渠道了解这个人的能力。

最终面试准备

我申请的是研究工程师的职位。要想拿到 DeepMind 的 offer，你必须拥有扎实的背景。如果我没有在 GitHub 建立一系列机器学习相关的项目，没有之前的经验和一些成果物，肯定没有机会参加 DeepMind 的面试。

注意：我没有任何原创的论文。事实证明，申请研究工程师这个职位不一定需要发表论文。但是研究科学家可能会有所不同，这个职位肯定需要参加顶级会议的经历和博士学位。

我心里明白，即使你再优秀，也可能会遭到科技巨头的拒绝。对他们来说，宁可拒绝一个优秀的工程师，也不愿接受一个糟糕的工程师。因此，也不要有太多压力。

其次，面试中经常遇到问题可能在日常工作中根本用不到，因此你必须花费精力认真做准备。

下面是一些面试技巧：

● 认真研究你的每一位面试官。了解他们来自哪里以及他们是做什么的，这样你可以提出相关的问题。不要浪费他们的时间。你可以通过 LinkedIn、推特或其他渠道查看他们的个人资料。如果可能，请阅读他们的所有论文，或者阅读引用次数最多的论文。对于我的 DeepMind 面试官，我阅读了十多篇他的论文。虽然可能不是很必要，但我的确有这样的热情。

● 透彻地研究简历中注明的每一个项目。无论是 GitHub 上的项目，还是在以前的公司做过的项目，你都必须能够与面试官深入讨论这些项目。

● 模拟面试。找一些从事 AI 工作的朋友，充当你的面试官。

为了准备DeepMind的面试，我认真地研究了一下 AGI，并阅读了一些 AI 论文：

● 智能定义合集

○ https://arxiv.org/abs/0706.3639

● 通用智能：机器智能的定义

○ https://arxiv.org/abs/0712.3329

● 关于智能的测量

○ https://arxiv.org/abs/1911.01547

以前我也研究过阿兰·图灵的一些论文“计算机与智能”以及 John Searle 等论文。此外，我还观看了很多人都视频。

我做这项研究是因为这是 DeepMind 的使命：破解 AGI 并用它来解决高难度的科学问题。我觉得面试的时候肯定会有围绕这些主题的问题，所以我想全面了解一下。

下面，我们来看看 DeepMind 招聘研究工程师的流程，主要包含以下几个步骤：

1. 与招聘人员的首次沟通。让他们了解你主要对机器学习的应用感兴趣，还是对核心研发感兴趣。你应该谨慎对待这个面试。

2. 小测验。这是为了测试你对数学、统计、计算机科学以及机器学习基本主题的掌握程度。

3. 编程面试。与 Google、微软以及其他大型科技公司的软件工程师面试一样。

4. 团队负责人面试。你们将讨论各种主题。简历上的任何内容都可能被问及，此外还包括机器学习问题以及个人行为问题。

5. 团队高级负责人面试。结构上与上一次面试非常相似。此次面试是为了更明确地评估你是否适合这个团队。

6. 人与文化面试。最常见的 HR 面试。

下面，我们来谈一谈如何准备这些面试。

面试1：与招聘人员的首次沟通

做好功课，想清楚你究竟想在 DeepMind 做些什么（尽可能多！）。DeepMind 有 2 个“团队”（实际上相当于两个部门，两个“团队”都在朝着一个共同的使命努力）：

● “核心”研发团队。他们的工作更偏向于纯粹的研究。“类似生产”的项目包括AlphaFold（我猜应用团队也有参与）、AlphaGo 等。该团队中的研究人员从事的其他项目可能涉及与研究科学家合作，共同实现某些研究思路。

● 应用团队。他们所做的一些项目包括数据中心节能项目、改进 Google 应用商店的推荐系统、WaveNet、Android 节能等等（他们的工作不仅限于Google）。

你可以去 DeepMind 官网，阅读他们的博客，并研究公开招聘的职位。

此外，我强烈建议你阅读一些面试的书籍。每个面试官都会评估你的个性以及你是否适合团队，所以做一些这方面的准备绝对不会有什么坏处。

面试2：小测验

这可能是最难准备的部分，为了通过这个阶段的面试，你需要建立扎实的技术基础。

我为了面试做了如下准备工作：

● [计算机科学]我阅读了一些算法和数据结构的书。我跳过了一些我认为太“先进”的知识，比如 B 树（外部内存数据结构）以及特定的哈希函数等。此外，还复习了线性/非线性数据结构（图形/树）以及各种排序和搜索算法等主题。

● [计算机科学]我阅读了一些操作系统的书，复习了死锁、线程、虚拟内存等知识。还阅读了一些 Python 的博客。

● [计算机科学]我浏览了《算法导论》，复习了各种大O符号的理论。

● [数学、经典机器学习]我又读了一遍机器学习与数学的书籍。

● [机器学习]我复习了强化学习理论。在网上搜索了一些学习材料，什么是强化学习框架（env-agent-reward），什么是 MDP 等等。

● [统计] 我观看了很多 YouTube 视频，复习了一遍所有不太了解的概念，还浏览了一些剑桥的材料。

还没等复习完这些，我的面试就已经开始了，所以只是临时抱佛脚。我强烈建议你在开始面试之前就开始做准备。

面试3：编程面试

我提前做了一些编程考题。我的心得是，当遇到不知道怎么解决的问题时，你可以看看第一个提示。如果没有帮助，再看下一个，依此类推。最后，即便你设法解决了问题，也要认真看一看给出的解决方案。你能够从中获取一些解决同类问题的新思路。

此外，除了解决方案之外，你还必须分析解决方案消耗的内存以及时间复杂度。

面试4～6：团队领导与公司文化面试

你只需要读一些面试的书籍，然后注意一下面试的一些细节。比如，他们会问你：“你喜欢 DeepMind 的哪些地方？”、“你为什么选择了 DeepMind，而不是其他公司？”、“谈一谈你最喜欢的项目。”

实际上，我没有通过第5个面试（团队高级负责人的面试）。不过，实际上只是一个误会（我通过电子邮件收到反馈，他们非常友好），但生活还要继续。

作为一名“技术过硬”的候选人，我被安排再参加一次孵化/应用部门的面试。我就按照上述给出的建议又做了一次准备，然后就一次性通关了。我拿到了offer！

好消息是，在后一次面试中，我意识到孵化团队可能更适合我！

今后的计划

我将在今年晚些时候（2021 年 12 月）正式加入DeepMind，担任研究工程师。我对于下一阶段的职业发展兴奋不已！

许多新鲜事物在等着我。我将搬到英国伦敦。我必须建立新的社交圈。我将接触到一种新文化、新语言（因为伦敦的文化非常多元）、一家新公司，甚至还有一个新的操作系统！

接下来，我的打算包括：

● 在推特、LinkedIn 和 Discord 上分享我所做的一切。

● 在 YouTube 上分享更多几何深度学习论文的解析。

● 分享各种开源机器学习工具和研究代码。

● 学习 JAX，并与大家分享。

我希望通过本文与所有人分享我的此次经历，希望能为大家提供一些帮助。

参考链接：

https://gordicaleksa.medium.com/how-i-got-a-job-at-deepmind-as-a-research-engineer-without-a-machine-learning-degree-1a45f2a781de