怎样成为一名算法应用工程师

1.定义

机器学习算法，或者说“算法工程师”这个职位名称里的“算法”，并不是计算机系本科课程《算法与数据结构》里那个算法。那门课里讲的，是排序、查找这类”确定性算法”；而这里我们说的，是用统计方法对数据进行建模的”概率性算法”。

1.1分类

算法工程师分为两类。其中一类是偏研究型的算法工程师，例如复现paper，改善模型，发paper，出专利，这一类人才大都是科研大佬。第二类则是更加贴近业务的算法工程师，不如称为「算法应用工程师」。这一类同学主要是与业务同学进行搭档，通过现有的一些成熟模型来帮助业务同学解决问题。

2.主要工作

理想中的算法工程师：提出假设-》收集数据-》训练模型-》解释结果。

实际中的算法工程师：提出假设-》收集数据-》预处理-》预处理-》训练模型-》调试-》调试-》重新收集数据-》预处理-》收集更多数据-》调试-》调试-》调试-》…-》放弃。

每天最重要的就是跑数据！这不是段子，而是事实。为什么“高大上”的算法工程师实际上是个数据民工，要寻找这种理想与现实的差距的原因，首先要理解一个事实：只有人能够理解数据，机器不能。不管我们用什么机器学习算法——无论是LR，SVM，k-means，EM——对于它们来说，输入数据都是一堆浮点数组成的矩阵而以（如果说的更本质一点，只是一堆01序列）。如果有一个特征是“小时”，而它出现了25，任何一个智商正常的人类都能明白，这是一个错误，然后在数据清洗的时候把这样的数据排除。但是机器就无法理解这一点。要具备小时的概念，又要理解什么是时间，一天有多少个小时…机器怎么能自动化完成这样的数据清洗工作？更进一步，如果人发现“小时”这个特征中大部分数据是0到12，而混入少量13（但13的数量又不是太少以至不能被当成离群点排除），人就会怀疑，是不是使用了12小时制而13是一个错误。机器目前是无法做到这一点的。

一位算法工程师对自己工作的反思，写得挺实在的

3.进阶之路

在机器学习领域，算法工程师脚下的进阶之路是清晰的：当你掌握了工具、会改造模型，进而可以驾驭新问题的建模，就能成长为最优秀的人才。

20万、50万、100万的算法工程师，到底有什么区别？

4.传统模型VS深度学习模型

优秀的算法工程师都是不用深度学习的

讲的是为什么有部分传统的算法工程师不愿意使用深度学习算法，虽然题目有点哗众取宠，但是问题角度还是挺值得深思的。