1.定義

機器學習算法，或者說“算法工程師”這個職位名稱里的“算法”，并不是計算機系本科課程《算法與數據結構》里那個算法。那門課里講的，是排序、查找這類”確定性算法”；而這里我們說的，是用統計方法對數據進行建模的”概率性算法”。

1.1分類

算法工程師分為兩類。其中一類是偏研究型的算法工程師，例如復現paper，改善模型，發paper，出專利，這一類人才大都是科研大佬。第二類則是更加貼近業務的算法工程師，不如稱為「算法應用工程師」。這一類同學主要是與業務同學進行搭檔，通過現有的一些成熟模型來幫助業務同學解決問題。

2.主要工作

理想中的算法工程師：提出假設-》收集數據-》訓練模型-》解釋結果。

實際中的算法工程師：提出假設-》收集數據-》預處理-》預處理-》訓練模型-》調試-》調試-》重新收集數據-》預處理-》收集更多數據-》調試-》調試-》調試-》…-》放棄。

每天最重要的就是跑數據！這不是段子，而是事實。為什么“高大上”的算法工程師實際上是個數據民工，要尋找這種理想與現實的差距的原因，首先要理解一個事實：只有人能夠理解數據，機器不能。不管我們用什么機器學習算法——無論是LR，SVM，k-means，EM——對于它們來說，輸入數據都是一堆浮點數組成的矩陣而以（如果說的更本質一點，只是一堆01序列）。如果有一個特征是“小時”，而它出現了25，任何一個智商正常的人類都能明白，這是一個錯誤，然后在數據清洗的時候把這樣的數據排除。但是機器就無法理解這一點。要具備小時的概念，又要理解什么是時間，一天有多少個小時…機器怎么能自動化完成這樣的數據清洗工作？更進一步，如果人發現“小時”這個特征中大部分數據是0到12，而混入少量13（但13的數量又不是太少以至不能被當成離群點排除），人就會懷疑，是不是使用了12小時制而13是一個錯誤。機器目前是無法做到這一點的。

一位算法工程師對自己工作的反思，寫得挺實在的

3.進階之路

在機器學習領域，算法工程師腳下的進階之路是清晰的：當你掌握了工具、會改造模型，進而可以駕馭新問題的建模，就能成長為最優秀的人才。

20萬、50萬、100萬的算法工程師，到底有什么區別？

4.傳統模型VS深度學習模型

優秀的算法工程師都是不用深度學習的

講的是為什么有部分傳統的算法工程師不愿意使用深度學習算法，雖然題目有點嘩眾取寵，但是問題角度還是挺值得深思的。