更为不同寻常的是，尽管他从未编写过 Python 代码，但他还是决定学习它。Alex 选择通过构建实用项目来学习。他决定建立一个分类器，以检测战斗机飞行员是否在飞机上失去意识。Alex 希望通过观察飞行员的视频来发现这一点。他知道一个人很容易通过观察，在一名飞行员失去知觉时告诉他，所以 Alex 认为机器也应该可以做到。
这是 Alex 在几个月中所做的事情：Alex 的 G-force 诱导失去意识探测器的演示。Alex 在 YouTube 上下载了从驾驶舱中拍摄的飞行员驾驶飞机的所有视频片段（大约数十个）。接下来他开始标记数据。Alex 构建了一个 UI，让他可以滚动浏览数千个视频帧，按一个按钮表示「有意识」，另一个按钮表示「无意识」，并自动将该帧保存在正确标记的文件夹中。
这个标记过程非常非常无聊，花了他很多天时间。Alex 为图像构建了一个数据管道，可以将飞行员从驾驶舱背景中剪裁出来，使他的分类器更容易专注于飞行员。最后，他建立了他的意识丧失分类器。在他做所有这些事情的同时，Alex 也在社交活动中向招聘经理展示他的项目快照。每当他拿出他的项目并在手机上展示时，他们会问他是如何做到的，他如何建造管道，以及如何收集数据。
但他们从来没有询问他的模型准确率（低于 50％）。当然，Alex 也计划提高其准确率，但在动手之前就被录用了。结果证明，公司更看重他项目的视觉效果以及他在数据收集过程中表现出的疯狂与智慧，而不是他的模型的准确率。他们之间的共同点Ron 和 Alex 为什么如此成功？因为他们做对了以下四件事：他们没有在建模上浪费太多精力。
我知道这听起来很奇怪，但对于今天的很多用例来说，建模是一个已经解决的问题。在实际工作中，除非你做的是最前沿的研究，否则你的时间 80%~90% 都会花在清洗数据上。你的个人项目又怎能例外？他们自己收集数据。正因为如此，他们得到的最终数据比 Kaggle 或 UCI 数据库中的数据更混乱。但也正是这些混乱的数据提高了他们处理混乱数据的能力。
比起从学术服务器上下载数据，这种做法让他们能够更好地理解自己的数据。他们将做出的东西可视化。所谓面试，并不是说由一位无所不知的裁判对你的能力做出客观的评估，而是将你自己推销给另一个人。人是视觉动物。如果你掏出手机向面试官展示你的作品，那么你要确保自己做的东西看起来有趣，这点非常值得。他们的所作所为看起来确实有点疯狂。
正常人不会用胶带把自己的手机绑在购物车上。正常人也不会花那么长时间从 YouTube 上裁剪飞行员视频。什么人才会做这种事？那些不顾一切完成目标的人才会这么干。公司最想雇佣的就是这种人。Ron 和 Alex 的所作所为可能看起来太夸张，但实际上，这和你在真正的工作中要做的事差不多。这就是要点：当你没有做某事的工作经验时，招聘经理会看你做过的和某事相类似的经历。
文章TAG：机器 骑乘 首款 亮相 智能 全球首款可骑乘智能机器马亮相 怎么制作机器马
