先搞清楚目前行業(yè)內(nèi)招的算法工程師主要在做什么：

第一類是做數(shù)據(jù)模型進行推薦、分類、識別、預(yù)測等工作的建模型算法工程師，通常JD上也寫成數(shù)據(jù)挖掘工程師、深度學(xué)習(xí)工程師等。這類大體的工作就是結(jié)合業(yè)務(wù)場景，選擇合適的算法模型，將數(shù)據(jù)進行處理后使用模型獲得結(jié)果，也被戲稱為“調(diào)參工程師”。

第二類是做針對性方向的算法研究，包括圖像、語音、文本等，其囊括了在外界看來很智能的人臉識別、人臉變換、語音生成、語音識別、新聞推薦、智能對話等功能。和第一類的區(qū)別主要在于處理的數(shù)據(jù)非傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)，需要進行針對性的處理，比如圖像的取點、二值化，語音的要素提取，文本的分詞、向量化等等。當(dāng)進行了數(shù)據(jù)處理后，后續(xù)選擇模型時就和第一類類似了。

不難看出，第二類會比第一類需要一些針對性的知識體系，相對來說更好去做準(zhǔn)備。

從學(xué)習(xí)安排上，可以以如下的學(xué)習(xí)路線做準(zhǔn)備：

一、數(shù)學(xué)能力基礎(chǔ)

無論是否計算機出身，數(shù)學(xué)方面的能力在算法工作中是非常必要的基礎(chǔ)，需要掌握的程度如下：

1、高等數(shù)學(xué)，主要包括微分和積分、偏微分、向量值函數(shù)、方向梯度、泰勒展開等，才能更好理解算法公式，調(diào)參原理，以及迭代時梯度的概念等；

2、線性代數(shù)，主要是矩陣運算、高維向量、空間運算，這些是理解深度學(xué)習(xí)向量空間的基礎(chǔ)；

3、概率論及數(shù)理統(tǒng)計，或者稱之為概率學(xué)和統(tǒng)計學(xué)，要理解，機器學(xué)習(xí)本質(zhì)上是一個概率問題，從數(shù)據(jù)中學(xué)習(xí)的不確定性，就是在獲得概率值。

二、計算機科學(xué)能力基礎(chǔ)

算法工程師是一個研發(fā)性崗位，寫代碼的能力也是必須的。

1、掌握基本的排序、查找算法

2、熟悉常用的各類數(shù)據(jù)結(jié)構(gòu)，如數(shù)組、樹、表

3、將抽象邏輯思路轉(zhuǎn)為代碼，能完成leetcode上中等難度的題目

4、有編程語言學(xué)習(xí)能力，會python更好，其他語言需要花時間了解其語法特點

以上兩大基礎(chǔ)，如果是工科出身，應(yīng)該不會需要太久做準(zhǔn)備，可以根據(jù)缺少的部分來查漏補缺，這些部分在兩個月內(nèi)完成應(yīng)該問題不大。

后續(xù)才是真的開始做算法的學(xué)習(xí)：

三、機器學(xué)習(xí)算法能力基礎(chǔ)

1、熟悉常用機器學(xué)習(xí)算法的原理，包括線性回歸、邏輯回歸、決策樹、K均值、SVM、adaboost、CNN、RNN等

2、能夠了解各個算法的優(yōu)劣和適用的數(shù)據(jù)場景

3、熟悉常用機器學(xué)習(xí)算法在代碼中的實現(xiàn)，深一些是能自己手寫實現(xiàn)，淺一些是能通過使用python的包來調(diào)用，熟悉參數(shù)

4、能夠獨立完成完整的數(shù)據(jù)項目，如在kaggle上嘗試解決入門的問題，實現(xiàn)從數(shù)據(jù)處理到模型選擇直到輸出結(jié)果的過程

第三部分是個長久的事情，不斷的熟悉算法和使用，并在實際數(shù)據(jù)項目中來深化，不去公司實習(xí)的話，在kaggle上多做嘗試可以積累不少經(jīng)驗。

當(dāng)能掌握這些后，就可算做正式入門了，目前大廠的實習(xí)生或者校招生基本就在這個水平程度，想要得到更好的機會或者能在工作中真的有好的產(chǎn)出，需要更多的努力和學(xué)習(xí)。