作者：PerceptiLabs聯(lián)合創(chuàng)始人兼首席執(zhí)行官馬丁·伊薩克森。

長(zhǎng)期以來，版本控制工具一直是信息工作者的主要工具，尤其是那些需要在代碼庫(kù)上存儲(chǔ)和協(xié)作的地方，同時(shí)維護(hù)完整的更改歷史的開發(fā)人員。

多年來，許多這樣的工具來來去去或至少失寵了，但今天使用最廣泛的系統(tǒng)是GitHub。GitHub之所以廣受歡迎有多種原因，最明顯的是它是基于云計(jì)算的，易于發(fā)現(xiàn)，而且定價(jià)方案即使是最節(jié)儉的經(jīng)理也會(huì)樂意為其蓋上橡皮圖章。此外，機(jī)器學(xué)習(xí)(ML)從業(yè)者通常使用它來存儲(chǔ)ML模型、數(shù)據(jù)和代碼，包括我們PerceptiLabs。

但是，除了是一個(gè)強(qiáng)大的存儲(chǔ)庫(kù)之外，您是否知道GitHub也可以是一個(gè)強(qiáng)大的工具，用于您的求職和整體職業(yè)發(fā)展？

建立您的在線個(gè)人資料，一次只提供一篇文章

許多招聘人員和人力資源部門現(xiàn)在會(huì)查看應(yīng)聘者的完整在線表現(xiàn)，以開發(fā)該人的個(gè)人資料。隨著谷歌等在線工具提供強(qiáng)大的搜索功能，招聘人員希望盡可能了解候選人的一切，以判斷他們是否適合特定的角色。因此，你的在線個(gè)人資料在你下次找工作中扮演重要角色也就不足為奇了。

在申請(qǐng)一個(gè)新職位時(shí)，你希望你的在線個(gè)人資料不僅僅是一份過時(shí)的LinkedIn個(gè)人資料和一些臉書上不太專業(yè)的照片。你真正想給那些想雇用你的人留下深刻印象的是，你不僅僅是一個(gè)在找工作的人。你想讓他們看到你的熱情、專業(yè)知識(shí)，以及你在社區(qū)中的積極參與，展示技術(shù)專長(zhǎng)，并展示對(duì)手頭主題的強(qiáng)烈理解。通過這樣做，招聘人員將能夠更好地將你與給定的角色相匹配。

這就是像GitHub這樣的工具可能是無價(jià)的，因?yàn)樗钦故灸愕募寄?、為人所知和展示你的能力的完美?chǎng)所，而這種方式無法塞進(jìn)標(biāo)準(zhǔn)的一兩頁(yè)簡(jiǎn)歷中。

當(dāng)你獲得了追隨者，追隨他人，回應(yīng)問題和問題，等等，你也可以開始建立你的同齡人網(wǎng)絡(luò)和你的聲譽(yù)。當(dāng)你要介紹一個(gè)可以幫助你找到下一份工作的人，或者幫助別人找工作時(shí)，這些聯(lián)系是非常寶貴的。你的聲譽(yù)本身就是一種資產(chǎn)，因?yàn)檎衅溉藛T可能會(huì)看你是否有大量的追隨者和任何星級(jí)，并判斷你在同行中有多受尊重。

從您感興趣的公司中識(shí)別并為GitHub回購(gòu)做出貢獻(xiàn)也是有益的。它還可以幫助您發(fā)現(xiàn)您可能想申請(qǐng)的公司，通過能夠看到他們的代碼提供的第一手資料。通過參與他們的產(chǎn)品，你可以向組織表明你對(duì)他們的技術(shù)有直接的興趣和知識(shí)。

小貼士

準(zhǔn)備好開始用GitHub建立你的在線存在了嗎？這里有幾個(gè)小貼士要記?。?

• 當(dāng)創(chuàng)建你自己的回購(gòu)時(shí)，一定要保持它的組織性。根目錄應(yīng)該是一個(gè)信息性的readme.md文件，而數(shù)據(jù)、代碼等應(yīng)該放在各自的子目錄中。
• 您的readme.md文件是一個(gè)展示您的知識(shí)、寫作和表達(dá)想法的能力以及您的思維過程的機(jī)會(huì)。一定要從描述repo解決的問題開始，然后是結(jié)構(gòu)描述（即，每個(gè)目錄和文件或文件集代表/包含什么），并提供詳細(xì)的設(shè)置/安裝步驟。最重要的是，一定要包括你的名字和聯(lián)系方式。
• 不要忘記在你的LinkedIn個(gè)人資料、個(gè)人網(wǎng)站和簡(jiǎn)歷中向招聘人員指出你在GitHub上的貢獻(xiàn)。當(dāng)然，當(dāng)你在現(xiàn)有的組織中申請(qǐng)一個(gè)不同的職位時(shí)，這一點(diǎn)也很重要。
• 另外，通過其他媒體如ML論壇、LinkedIn文章/對(duì)話等來提高你的在線形象。任何你能證明你的知識(shí)的時(shí)間都是值得的。

用于機(jī)器學(xué)習(xí)的GitHub回購(gòu)

有各種各樣的ML回購(gòu)，你可以做出貢獻(xiàn)，但這里有幾個(gè)讓你開始：

• TensorFlow2-生成模型：演示ML建模的各種生成方法。
• Awesome-DataScience：學(xué)習(xí)數(shù)據(jù)科學(xué)基礎(chǔ)知識(shí)的資源。
• tensorflow模型花園：tensorflow模型的集合。
• https://github.com/scikit-learn/scikit-learn：用于ML的Python模塊。
• https://github.com/deepmind/open_spiel:一般研究的環(huán)境和算法，包括游戲中的強(qiáng)化學(xué)習(xí)和搜索/規(guī)劃。
• https://github.com/aws-samples/aws-machine-learning-university-encelerated-tab：開發(fā)人員可以參與的關(guān)于ML的課程。
• https://github.com/microsoft/ai：微軟基于人工智能的開源存儲(chǔ)庫(kù)。
• https://github.com/ibm/taxinomitis-docs：IBM面向兒童的ML項(xiàng)目和信息。
• https://github.com/tencent/pocketflow：用于壓縮和加速深度學(xué)習(xí)模型的開源框架。
• https://github.com/perceptiLabs：您可以在試用我們的可視化建模工具或跟隨我們的教程時(shí)使用的示例項(xiàng)目和數(shù)據(jù)。

我們?cè)赑erceptiLabs的希望是，我們的repos將成為學(xué)習(xí)ML和我們的可視化建模工具的寶貴資源，以及用戶可以在與用戶連接的同時(shí)演示其ML知識(shí)的地方。在您為我們的GitHub回購(gòu)做出貢獻(xiàn)之前，我們鼓勵(lì)您首先發(fā)布自己的私人GitHub回購(gòu)。

最重要的是，享受你的貢獻(xiàn)，與他人接觸，展示你對(duì)機(jī)器學(xué)習(xí)的熱情。