原文：
www.kdnuggets.com/2021/01/github-career-growth-ai-machine-learning.html
评论
由马丁·伊萨克森，PerceptiLabs 的联合创始人兼首席执行官。
图片来源。
版本控制工具长期以来一直是信息工作者的基本工具，尤其是需要存储和协作代码库的开发人员，同时保持完整的更改历史记录。
多年来，许多此类工具出现过或至少已不再受欢迎，但今天最广泛使用的系统是GitHub。GitHub 因多种原因而受欢迎，最显著的是它基于云、易于发现，并且拥有即使是最节俭的管理者也乐意批准的定价计划。此外，GitHub 在包括我们 PerceptiLabs 在内的机器学习（ML）从业者中被广泛使用，用于存储 ML 模型、数据和代码。
除了作为一个强大的代码库外，您是否知道 GitHub 还可以作为您求职和整体职业发展的强大工具？
许多招聘人员和人力资源部门现在查看候选人的完整在线存在，以建立该人的档案。随着 Google 等在线工具提供强大的搜索功能，招聘人员希望尽可能多地了解候选人，以判断其是否适合特定职位。因此，您的在线个人资料在下一次求职中可能发挥重要作用，这一点并不令人惊讶。
在申请新职位时，您希望您的在线个人资料不仅仅是一个过时的 LinkedIn 档案和一些不够专业的 Facebook 照片。您真正想给招聘人员留下的印象是，您不仅仅是一个在找工作的人。您希望他们看到您的热情、专业知识，以及您在社区中的活跃参与，展示技术专长，以及对所讨论主题的深刻理解。这样，招聘人员将能够更好地将您与特定职位匹配。
这就是像 GitHub 这样的工具可以发挥重要作用的地方，因为它是展示技能、建立知名度，并以无法压缩到一两页简历中的方式展示能力的完美场所。
随着你获得更多关注者和关注他人，回应问题等，你也可以开始建立你的同行网络和声誉。这些联系在获得介绍和帮助你找到下一份工作时可能会非常宝贵。你的声誉本身也可以成为一种资产，因为招聘人员可能会查看你是否拥有大量关注者和星级评分，以评估你在行业同行中的尊重程度。
识别并参与你感兴趣公司的 GitHub 仓库也可能会有益。这还能帮助你发现你可能想申请的公司，因为你可以直接查看他们的代码提供。同时，通过参与他们的项目，你可以向该组织展示你对他们技术的直接兴趣和了解。
准备好开始在 GitHub 上建立你的在线形象了吗？以下是一些需要记住的提示：
-
在创建自己的仓库时，请确保保持组织性。根目录下应有一个信息丰富的 readme.md 文件，而数据、代码等应放置在各自的子目录中。
-
你的 readme.md 文件是展示你的知识、写作能力、思想过程的机会。请确保首先描述你的仓库解决了什么问题，然后描述结构（即每个目录和文件或文件集表示/包含什么），并提供详细的设置/安装步骤。最重要的是，确保包括你的姓名和联系方式。
-
不要忘记在你的 LinkedIn 个人资料、个人网站和简历中指出你的 GitHub 贡献。这在申请你现有组织中的不同职位时也很重要。
-
此外，争取通过在 ML 论坛、LinkedIn 文章/对话等其他平台上贡献内容来提升你的在线个人资料。任何能展示你知识的时间都是值得的。
这里有各种 ML 仓库，你可以参与其中，但以下是一些可以让你入门的仓库：
-
tensorflow2-generative-models: 展示了多种生成式 ML 建模方法。
-
awesome-datascience: 学习数据科学基础知识的资源。
-
tensorflow model garden: TensorFlow 模型的集合。
-
github.com/scikit-learn/scikit-learn: 用于 ML 的 Python 模块。 -
github.com/deepmind/open_spiel: 一般研究的环境和算法，包括强化学习和游戏中的搜索/规划。 -
github.com/aws-samples/aws-machine-learning-university-accelerated-tab：开发者可以贡献的机器学习课程。 -
github.com/microsoft/AI：微软的开源 AI 仓库。 -
github.com/IBM/taxinomitis-docs：IBM 的机器学习项目和儿童信息。 -
github.com/Tencent/PocketFlow：用于压缩和加速深度学习模型的开源框架。 -
github.com/PerceptiLabs：示例项目和数据，可用于尝试我们的视觉建模工具或跟随我们的教程。
我们在PerceptiLabs的期望是，我们的仓库将成为学习机器学习和我们的视觉建模工具的宝贵资源，同时也是用户展示其机器学习知识并与其他用户互动的地方。在你为我们的 GitHub 仓库做贡献之前，我们鼓励你首先发布自己的私人 GitHub 仓库。
首先，要在你的贡献中找到乐趣，与他人互动，并展示你对机器学习的热情。
相关：