㈠ 中钞科信这个公司怎么样我是应届生，他们招聘我，但是要去外地培训3个月，心里上下打鼓。

没有问题，这家公司主要是从事人民币防伪，和机器视觉的开发，前途应该是很不错的。

㈡ 机器视觉行业，互联网行业和应届生就业哪个发展会更好

两个行业都是朝阳行业，今后找工作应该都不难。
机器视觉应用的范围相对互联网版要权窄一些。
但不是说范围窄了，就不好找工作。
机器视觉在国内发展相对比较晚，但是在工业领域大力发展机器人的今天，机器视觉在机器人工业化当中发挥中相当重要的作用。几乎有工业机器人的地方就要用到机器视觉。

互联网是物联网的基础，物联网又是智慧城市的基础。终极目标是实现万物互联互通。
所以，互联网是不管哪里都能用，应用范围相当宽泛。

究竟选择哪个行业，要根据自身的爱好和自己的能力来定。
当然，针对应届生就业一般的主张是先就业再择业。
在你做事情的过程中，逐渐找到自己今后从事行业发展的方向。

一个行业的发展跟一个人的发展差不多，是个动态的过程。
三十年河东，三十年河西。没有一成不变永远繁荣的行业。
事物发展到一定阶段，总会盛极而衰。这也是万物发展变化的规律，谁也改变不了。

㈢ 自动化的就业前景如何

自动化可从事电气自动化、铁路、化工等诸多领域的工作，而且自动化专业一直以来是社会急需的人才，在国内有着广泛的、很好的就业前景，相对而言，有几类工作供自动化的毕业生选择。

1 电器成套设备行业：各岗位要求电力工程及电气自动化专业，毕业生深受如广东格兰仕集团公司、 长沙海尔工贸有限公司、长沙中联重工科技有限公司、三一重工等企业的青睐。 2 拥有大型机床或生产线的各企业：招聘电气工程师，汽车类的工作岗位也很多，例如：神龙汽车，北汽福田

3 航空、交通等自动信号控制

4 大厦物业：楼宇智能化系统

5 销售工程师，你可以选择到 ABB 、施耐德等公司或其代理做销售工作，由于他们的产品关系，所以需要这个专业的销售工程师。

除了以上几个就业岗位，还有一些不错的就业地点。

一、电业局：电力局、供电局、国家电网。通过网上的民意调查反应最好的是电业局，福利好，待遇高。

二、设计院：电业局男生优势可能高一点，不过设计局更适合女生，因为设计院的工作相对比较轻松。

三、工程局：这个是承包企业项目的工作，因为要随着工程地点到处跑，所以工程局可能辛苦点，但是工资也不低，总的来说是很不错的。

四、外企：现在国企基本认定了211、985学校的学生，外企变成了其他本科生的首选。

㈣ 深度学习的就业方向是什么

深度学习工程师就业路径

目前，成为深度学习工程师有两条路径：一是通过春秋两季的校园招聘，另一种是借助社会招聘跨行业转型。前述文章曾经将深度学习工程师分为算法工程师、后端工程师和前端工程师。综合目前市面上各大公司招聘和咨询报告结果，目前工作3-5年左右的工程师为人工智能的市场主力，而应届毕业生更多还在成长之中。

深度学习工程师就业情况

开启这个话题，咱们先拿小编身边深度学习工程师的举例，在上大数据分析。

小A同学，本科专业属于工科，对深度学习有强烈的兴趣，随即选择自学并同时报名培训班，研究生毕业后，加入创业公司，但是后续的工作其实和深度学习没关系了。

小B同学去年入职NLP自然语言处理方向的算法工程师，本科到博士均是国内985大学就读，后进入大厂最终成为了一名深度学习工程师，主攻算法方向。

这里大家就发现了，其实个例之间相差还是很大的。于是小PP纵览招聘机构以及权威咨询机构的报告，为大家分析总结了如下内容。

㈤ 应届生都年薪30w了，做AI工程师到底有哪些要求

1.数学基础,要学习人工智能，最基本的高数、线代、概率论必须掌握，至少也得会高斯函数、矩阵求导，明白梯度下降是怎么回事，否则对于模型的基本原理完全不能理解，模型调参与训练也就无从谈起了。
2. 编程基础,如果是做纯算法研究员，工程能力的要求不会太高，但也需要能写源代码；而对于做算法引擎开发或是应用开发的工程师来说，代码实现的能力高低就直接决定了工作产出的质量与效率了。所以，想做AI工程师的你需要熟练掌握至少一种编程语言，并掌握配套的工具、常用库等。
3.机器学习基础,人工智能的热潮来源于深度学习相关技术与应用的优异表现，所以招聘最热的岗位无疑是机器学习算法工程师。因此，机器/深度学习的经典算法、常见的神经网络模型、模型调参和训练技巧就需要尽可能多和深入地掌握了。
4.专业领域知识基础,人工智能主要应用领域可大致分为图像、语音和NLP（自然语言处理）。无论是其中哪个领域，都有海量的专业知识需要去掌握，比如如果你想从事智能驾驶行业的机器视觉方面的工作，那么你就需要掌握图像相关的知识；而如果你想做一款智能音箱的算法开发，你就需要掌握语音和NLP相关的知识。
5.具体行业的深度认知。任何应用场景都有自己独特的数据结构，而一个能够落地的AI应用自然离不开对于业务本身的深入理解。算法工程师们需要清晰地把握一个AI系统由哪些模块组成，相互关系是什么，都用到哪些技术，解决什么问题，才可能针对具体的问题展开实验研究，从而进行优化。