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

長期以來，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上存儲和協(xié)作的地方，同時維護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算的，易于發(fā)現(xiàn)，而且定價方案即使是最節(jié)儉的經(jīng)理也會樂意為其蓋上橡皮圖章。此外，機器學習(ML)從業(yè)者通常使用它來存儲ML模型、數(shù)據(jù)和代碼，包括我們PerceptiLabs。

但是，除了是一個強大的存儲庫之外，您是否知道GitHub也可以是一個強大的工具，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)在會查看應聘者的完整在線表現(xiàn)，以開發(fā)該人的個人資料。隨著谷歌等在線工具提供強大的搜索功能，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。

在申請一個新職位時，你希望你的在線個人資料不僅僅是一份過時的LinkedIn個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，你不僅僅是一個在找工作的人。你想讓他們看到你的熱情、專業(yè)知識，以及你在社區(qū)中的積極參與，展示技術專長，并展示對手頭主題的強烈理解。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的，因為它是展示你的技能、為人所知和展示你的能力的完美場所，而這種方式無法塞進標準的一兩頁簡歷中。

當你獲得了追隨者，追隨他人，回應問題和問題，等等，你也可以開始建立你的同齡人網(wǎng)絡和你的聲譽。當你要介紹一個可以幫助你找到下一份工作的人，或者幫助別人找工作時，這些聯(lián)系是非常寶貴的。你的聲譽本身就是一種資產，因為招聘人員可能會看你是否有大量的追隨者和任何星級，并判斷你在同行中有多受尊重。

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

小貼士

準備好開始用GitHub建立你的在線存在了嗎？這里有幾個小貼士要記住：

• 當創(chuàng)建你自己的回購時，一定要保持它的組織性。根目錄應該是一個信息性的readme.md文件，而數(shù)據(jù)、代碼等應該放在各自的子目錄中。
• 您的readme.md文件是一個展示您的知識、寫作和表達想法的能力以及您的思維過程的機會。一定要從描述repo解決的問題開始，然后是結構描述（即，每個目錄和文件或文件集代表/包含什么），并提供詳細的設置/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個人資料、個人網(wǎng)站和簡歷中向招聘人員指出你在GitHub上的貢獻。當然，當你在現(xiàn)有的組織中申請一個不同的職位時，這一點也很重要。
• 另外，通過其他媒體如ML論壇、LinkedIn文章/對話等來提高你的在線形象。任何你能證明你的知識的時間都是值得的。

用于機器學習的GitHub回購

有各種各樣的ML回購，你可以做出貢獻，但這里有幾個讓你開始：

• TensorFlow2-生成模型：演示ML建模的各種生成方法。
• Awesome-DataScience：學習數(shù)據(jù)科學基礎知識的資源。
• 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，包括游戲中的強化學習和搜索/規(guī)劃。
• https://github.com/aws-samples/aws-machine-learning-university-encelerated-tab：開發(fā)人員可以參與的關于ML的課程。
• https://github.com/microsoft/ai：微軟基于人工智能的開源存儲庫。
• https://github.com/ibm/taxinomitis-docs：IBM面向兒童的ML項目和信息。
• https://github.com/tencent/pocketflow：用于壓縮和加速深度學習模型的開源框架。
• 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使用的示例項目和數(shù)據(jù)。

我們在PerceptiLabs的希望是，我們的repos將成為學習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演示其ML知識的地方。在您為我們的GitHub回購做出貢獻之前，我們鼓勵您首先發(fā)布自己的私人GitHub回購。

最重要的是，享受你的貢獻，與他人接觸，展示你對機器學習的熱情。