設計演算法需要哪些能力

㈠ 成為一名 AI 演算法工程師，你需要具備哪些能力

這是一篇關於如何成為一名 AI 演算法工程師的長文~經常有朋友私信問，如何學 python 呀，如何敲代碼呀，如何進入 AI 行業呀?這里總結了成為AI演算法工程師所需要掌握的一些要點，看看你距離成為一名 AI 工程師還有多遠吧~

一、程序編寫
如同大部分應用軟體程序流程的開發設計一樣，開發者也在應用多語種來撰寫人工智慧技術新項目，可是如今都還沒一切一種極致的計算機語言是能夠 徹底大聖配人工智慧技術新項目的。計算機語言的挑選通常在於對人工智慧技術程序流程的期待作用。
因為其英語的語法，簡易性和多功能化，Python變成開發者最愛的人工智慧技術開發設計計算機語言。Python最觸動內心的地區之一就是說攜帶型，它能夠 在Linux、Windows、MacOS和UNIX等服務平台上應用。容許客戶建立互動式的、表述的、模塊化設計的、動態性的、可移植的和高級的編碼。
此外，Python是一種多現代性計算機語言，適用面向對象編程，全過程式和作用式程序編寫設計風格。因為其簡易的函數庫和理想化的構造，Python適用神經元網路和NLP解決方法的開發設計。
變成一個達標的AI數據工程師必須靈活運用python基本英語的語法、python句子和表述句、python中的涵數與控制模塊、python面向對象編程及其python文字實際操作。把握面向對象編程數據信息編程技術，都是為中後期的AI學習培訓奠定扎扎實實的程序編寫工作能力。
二、數學課
要學習培訓人工智慧技術，最基礎的高數、線代、摡率論務必把握，最少也得會高斯函數、矩陣求導，搞清楚梯度下降是什麼原因，不然針對實體模型的基本概念徹底不可以了解，實體模型調參加訓煉也就無從說起了。
高數
高數必須把握的有關內容包含涵數、數列、極限、最後、極值與最值、威廉姆斯指數值和系數。
線性代數
線性代數的內容包含行列式、引流矩陣、最小二乘法、矢量的線性相關性、引流矩陣的初等變換和秩、線性方程組的解和矩陣特徵值
概率統計
概率統計里的惡性事件、幾率、貝葉斯定理、概率分布、期待與方差與參數估計
了解數學思維訓練管理體系在深度神經網路中的運用，能夠 了解深度神經網路中常見的數學函數公式，可以用python程序編寫保持常見的數學課優化演算法。
三、深度神經網路
深度神經網路一部分包含MLP實體模型、CNN卷積神經網路、RNN循環系統神經元網路、GAN生成式抵抗神經元網路等。
MLP實體模型
必須具有了解雙層感知機的運作全過程和基本原理，並可以構建雙層感知機實體模型。
CNN卷積神經網路
把握怎麼使用CNN互聯網解決室內空間難題，如照片、視頻等數據信息。了解卷積、池化，及其反卷積、反池化的全過程和基本原理。而且可以構建有關的卷積互聯網實體模型。
RNN循環系統神經元網路
把握怎麼使用RNN解決時間序列難題，如智能化回復、智能翻譯等。了解循環系統神經元網路RNN和LSTM、GRU的運作全過程和基本原理。可以構建有關的循環系統神經網路模型訓煉與提升。
GAN生成式抵抗神經元網路
讓神經元網路具有造就工作能力，了解生成式抵抗神經元網路和其變異互聯網的基本原理，並可以構建變分自編號的互聯網實體模型訓煉和提升，可保持圖象轉化成、視頻語音轉化成等。
四、新項目實戰演練
開展一些新項目實戰演練針對你的工作經驗累積是十分有利的。
人工智慧技術圖象/視覺行業數據工程師應當具有的新項目實踐經驗：YOLOV3多物塊跟蹤/CenterLoss圖像識別技術/Mask-RCNN圖像分割。
可以解決多總體目標跟蹤，圖像識別技術、圖象隔開、圖象核對等應用領域新項目。而且根據新項目能學得許多 工程項目方法，具體新項目中訓煉實體模型的方式 和調參的工作經驗。掌握了這些，你的AI演算法工程師之路就能更近一步啦~
 

㈡ 成為一名合格的演算法工程師需要掌握哪些技能

演算法工程師目前是一個高端也是相對緊缺的職位;近兩年的就業前景是非常好的，薪資也比較高。但是演算法工程師同時也需要不斷學習。那麼成為一名合格的演算法工程師需要掌握哪些崗位技能呢，我們接著往下看。

業務學習能力
演算法工程師是不可能脫離業務背景的，人工智慧演算法工程師、交通演算法工程師、圖像處理演算法工程師等等。
針對一個業務場景設計一個合理的演算法，業務知識是非常重要的，需要結合業務的實際情況、限定條件、各種專業詞彙和知識都要有一定的了解，如果脫離場景而一味地琢磨演算法，效果不會太好。
比如，做交通演算法，需要對交通組織、交通管理、通行損失、周期延誤等有所認知。比如，做圖像處理，需要對各種圖像去噪、圖像增廣、圖像分割、物理成像有所了解，知道像素底層是怎麼回事。
持續學習能力
演算法工程師的主要工作就是拿著現有成熟的演算法，結合面臨業務場景去做一個合理的方案，如果我們知識面太窄，那顯然當用到的時候會有點拮據，眼界也被限制住，不知道還有沒有更好效果的演算法、目前演算法有哪些不足之處、在這個業務中能不能發揮作用。
只有持續學習，了解足夠多的知識，當我們面臨問題的時候能夠快速對比、選擇，找出最合適的一種演算法。
靈活的思維
當我們選擇一種演算法去解決一個問題時，效果肯定無法達到我們預期的那樣。比如我們拿mask rcnn做醫學圖像語義分割，我們看著它在自然圖像方面表現效果很好，就拿來用於醫學圖像。但是醫學圖像有它的難點和特殊性，當跑出效果時會發現結果不如人意，這時候就需要靈活的思維去發現問題，去調優、改進，或者從數據入手，或者從網路模型入手，或者從超參數入手。
編程能力
不同公司對於演算法工程師的定位有所差別，比如有些朋友在某公司做演算法工程師只負責方案的設計，開發由專門的開發人員實施。有的公司演算法工程師要完成演算法設計到開發全部工作。
無論是哪一種形式，編程能力都是必要的，就算是前者這樣的形式，有專門的開發人員，那在演算法的設計過程中需要驗證、對比，對每一個小模塊演算法進行指標評價，你不可能事事都找別人來幫你做，這樣效率低，而且開展工作困難。綜上所述，就是小編今天整理的關於演算法工程師的相關內容，希望可以幫助到大家。

㈢ 如何成為一名合格的演算法工程師

BAT企業的演算法工程師是這樣工作的：問題抽象、數據採集和處理、特徵工程、建模訓練調優、模型評估、上線部署。（具體操作可以看阿里演算法專家chris老師的演算法工作流視頻演算法工作流是怎樣的？）而一個演算法工程師真正值錢的地方在於問題抽象和上線部署這兩個。

㈣ 設計一個好的演算法通常要考慮哪些要求

數據結構中評價一個好的演算法，應該從四個個方面來考慮，分別是：

一、演算法的正確性。

二、演算法的易讀性。

三、是演算法的健壯性。

四、是演算法的時空效率（運行）。

演算法的設計取決於數據（邏輯）結構，演算法的實現取決於所採用的存儲結構。數據的存儲結構本質上是其邏輯結構在計算機存儲器中的實現。為了全面反映一個數據的邏輯結構，它在內存中的映像包括兩個方面，即數據元素之間的信息和數據元素之間的關系。

不同的數據結構有相應的操作。數據的操作是在數據的邏輯結構上定義的操作演算法，如檢索、插入、刪除、更新和排序。

(4)設計演算法需要哪些能力擴展閱讀

演算法可大致分為基本演算法、數據結構的演算法、數論與代數演算法、計算幾何的演算法、圖論的演算法、動態規劃以及數值分析、加密演算法、排序演算法、檢索演算法、隨機化演算法、並行演算法，厄米變形模型，隨機森林演算法。

演算法可以宏泛的分為三類：

一、有限的，確定性演算法 這類演算法在有限的一段時間內終止。他們可能要花很長時間來執行指定的任務，但仍將在一定的時間內終止。這類演算法得出的結果常取決於輸入值。

二、有限的，非確定演算法 這類演算法在有限的時間內終止。然而，對於一個（或一些）給定的數值，演算法的結果並不是唯一的或確定的。

三、無限的演算法 是那些由於沒有定義終止定義條件，或定義的條件無法由輸入的數據滿足而不終止運行的演算法。通常，無限演算法的產生是由於未能確定的定義終止條件。

㈤ 要成為演算法工程師有哪些要求呢

演算法的本質是為事物建立的數學模型。為事物建立模型需要大腦具備相應的思維模式，如果只是掌握一些數學知識和計算機知識，最終可能也就是個熟練工，而不能成為在各個領域馳騁的建模大師。所以必須讓自己在邏輯學方面過關，尤其是中國人從事建模工作，更應該重視學習邏輯學。因為我們相對於西方民族的人，在邏輯思維方面先天就是弱勢群體。那麼要成為演算法工程師有哪些要求呢?

1.專業要求：計算機、電子、通信、數學等相關專業;
2.學歷要求：本科及其以上的學歷，大多數是碩士學歷及其以上;
3.語言要求：英語要求是熟練，基本上能閱讀國外專業書刊;
4.必須掌握計算機相關知識，熟練使用模擬工具MATLAB等，必須會一門編程語言。
5.演算法工程師一般都是學的數據挖掘和機器學習，而且對專業要求比較高，對能力也有一定的限制。 演算法工程師是一個非常高端的職位; 專業要求：計算機、電子、通信、數學等相關專業; 學歷要求：本科及其以上的學歷，大多數是碩士學歷及其以上。
最基本的，你要學習計算機編程語言，數學，英語等等。演算法是解決某個特定問題而產生的指令集合，在一定的時間，得到想要的結果。演算法工程師算是個高端專業，方向一般有圖形圖像，音頻等。像類似於車牌識別就是圖形圖像演算法解決的。一般情況下，演算法先抽象為數學函數，再由計算機編程語言來實現演算法。其次，很多研究方向的文獻多為英文讀物，英語一定要能夠看明白文獻。最後祝你早日成為演算法工程師

㈥ 演算法工程師應該學哪些

一、演算法工程師簡介
（通常是月薪15k以上，年薪18萬以上，只是一個概數，具體薪資可以到招聘網站如拉鉤，獵聘網上看看）
演算法工程師目前是一個高端也是相對緊缺的職位；
演算法工程師包括
音/視頻演算法工程師（通常統稱為語音/視頻/圖形開發工程師）、圖像處理演算法工程師、計算機視覺演算法工程師、通信基帶演算法工程師、信號演算法工程師、射頻/通信演算法工程師、自然語言演算法工程師、數據挖掘演算法工程師、搜索演算法工程師、控制演算法工程師（雲台演算法工程師，飛控演算法工程師，機器人控制演算法）、導航演算法工程師（
@之介
感謝補充）、其他【其他一切需要復雜演算法的行業】
專業要求：計算機、電子、通信、數學等相關專業；
學歷要求：本科及其以上的學歷，大多數是碩士學歷及其以上；
語言要求：英語要求是熟練，基本上能閱讀國外專業書刊，做這一行經常要讀論文；
必須掌握計算機相關知識，熟練使用模擬工具MATLAB等，必須會一門編程語言。
演算法工程師的技能樹（不同方向差異較大，此處僅供參考）
1 機器學習
2 大數據處理：熟悉至少一個分布式計算框架Hadoop/Spark/Storm/ map-rece/MPI
3 數據挖掘
4 扎實的數學功底
5 至少熟悉C/C++或者java，熟悉至少一門編程語言例如java/python/R
加分項：具有較為豐富的項目實踐經驗（不是水論文的哪種）
二、演算法工程師大致分類與技術要求
（一）圖像演算法/計算機視覺工程師類
包括
圖像演算法工程師，圖像處理工程師，音/視頻處理演算法工程師，計算機視覺工程師
要求
l
專業：計算機、數學、統計學相關專業；
l
技術領域：機器學習，模式識別
l
技術要求：
（1） 精通DirectX HLSL和OpenGL GLSL等shader語言，熟悉常見圖像處理演算法GPU實現及優化；
（2） 語言：精通C/C++；
（3） 工具：Matlab數學軟體，CUDA運算平台，VTK圖像圖形開源軟體【醫學領域：ITK，醫學圖像處理軟體包】
（4） 熟悉OpenCV/OpenGL/Caffe等常用開源庫；
（5） 有人臉識別，行人檢測，視頻分析，三維建模，動態跟蹤，車識別，目標檢測跟蹤識別經歷的人優先考慮；
（6） 熟悉基於GPU的演算法設計與優化和並行優化經驗者優先；
（7） 【音/視頻領域】熟悉H.264等視頻編解碼標准和FFMPEG，熟悉rtmp等流媒體傳輸協議，熟悉視頻和音頻解碼演算法，研究各種多媒體文件格式，GPU加速；
應用領域：
（1） 互聯網：如美顏app
（2） 醫學領域：如臨床醫學圖像
（3） 汽車領域
（4） 人工智慧
相關術語：
（1） OCR：OCR （Optical Character Recognition，光學字元識別）是指電子設備（例如掃描儀或數碼相機）檢查紙上列印的字元，通過檢測暗、亮的模式確定其形狀，然後用字元識別方法將形狀翻譯成計算機文字的過程
（2） Matlab：商業數學軟體；
（3） CUDA： (Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平台（由ISA和GPU構成）。 CUDA™是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決復雜的計算問題
（4） OpenCL: OpenCL是一個為異構平台編寫程序的框架，此異構平台可由CPU，GPU或其他類型的處理器組成。
（5） OpenCV：開源計算機視覺庫；OpenGL：開源圖形庫；Caffe：是一個清晰，可讀性高，快速的深度學習框架。
（6） CNN：（深度學習）卷積神經網路（Convolutional Neural Network）CNN主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形。
（7） 開源庫：指的是計算機行業中對所有人開發的代碼庫，所有人均可以使用並改進代碼演算法。
（二）機器學習工程師
包括
機器學習工程師
要求
l
專業：計算機、數學、統計學相關專業；
l
技術領域：人工智慧，機器學習
l
技術要求：
（1） 熟悉Hadoop/Hive以及Map-Rece計算模式，熟悉Spark、Shark等尤佳；
（2） 大數據挖掘；
（3） 高性能、高並發的機器學習、數據挖掘方法及架構的研發；
應用領域：
（1）人工智慧，比如各類模擬、擬人應用，如機器人
（2）醫療用於各類擬合預測
（3）金融高頻交易
（4）互聯網數據挖掘、關聯推薦
（5）無人汽車，無人機

相關術語：
（1） Map-Rece：MapRece是一種編程模型，用於大規模數據集（大於1TB）的並行運算。概念"Map（映射）"和"Rece（歸約）"，是它們的主要思想，都是從函數式編程語言里借來的，還有從矢量編程語言里借來的特性。
（三）自然語言處理工程師
包括
自然語言處理工程師
要求
l
專業：計算機相關專業；
l
技術領域：文本資料庫
l
技術要求：
（1） 熟悉中文分詞標注、文本分類、語言模型、實體識別、知識圖譜抽取和推理、問答系統設計、深度問答等NLP 相關演算法；
（2） 應用NLP、機器學習等技術解決海量UGC的文本相關性；
（3） 分詞、詞性分析、實體識別、新詞發現、語義關聯等NLP基礎性研究與開發；
（4） 人工智慧，分布式處理Hadoop；
（5） 數據結構和演算法；
應用領域：
口語輸入、書面語輸入
、語言分析和理解、語言生成、口語輸出技術、話語分析與對話、文獻自動處理、多語問題的計算機處理、多模態的計算機處理、信息傳輸與信息存儲 、自然語言處理中的數學方法、語言資源、自然語言處理系統的評測。

相關術語：
（2） NLP：人工智慧的自然語言處理，NLP (Natural Language Processing) 是人工智慧（AI）的一個子領域。NLP涉及領域很多，最令我感興趣的是「中文自動分詞」（Chinese word segmentation）：結婚的和尚未結婚的【計算機中卻有可能理解為結婚的「和尚「】

（四）射頻/通信/信號演算法工程師類
包括
3G/4G無線通信演算法工程師， 通信基帶演算法工程師，DSP開發工程師（數字信號處理），射頻通信工程師，信號演算法工程師
要求
l
專業：計算機、通信相關專業；
l
技術領域：2G、3G、4G，BlueTooth（藍牙），WLAN，無線移動通信, 網路通信基帶信號處理
l
技術要求：
（1） 了解2G，3G，4G，BlueTooth，WLAN等無線通信相關知識，熟悉現有的通信系統和標准協議，熟悉常用的無線測試設備；
（2） 信號處理技術，通信演算法；
（3） 熟悉同步、均衡、信道解碼等演算法的基本原理；
（4） 【射頻部分】熟悉射頻前端晶元，扎實的射頻微波理論和測試經驗，熟練使用射頻電路模擬工具（如ADS或MW或Ansoft）；熟練使用cadence、altium designer PCB電路設計軟體；
（5） 有扎實的數學基礎，如復變函數、隨機過程、數值計算、矩陣論、離散數學
應用領域：
通信
VR【用於快速傳輸視頻圖像，例如樂客靈境VR公司招募的通信工程師（數據編碼、流數據）】
物聯網，車聯網
導航，軍事，衛星，雷達
相關術語：
（1） 基帶信號：指的是沒有經過調制（進行頻譜搬移和變換）的原始電信號。
（2） 基帶通信（又稱基帶傳輸）：指傳輸基帶信號。進行基帶傳輸的系統稱為基帶傳輸系統。傳輸介質的整個信道被一個基帶信號佔用.基帶傳輸不需要數據機，設備化費小，具有速率高和誤碼率低等優點,.適合短距離的數據傳輸，傳輸距離在100米內，在音頻市話、計算機網路通信中被廣泛採用。如從計算機到監視器、列印機等外設的信號就是基帶傳輸的。大多數的區域網使用基帶傳輸，如乙太網、令牌環網。
（3） 射頻：射頻（RF）是Radio Frequency的縮寫，表示可以輻射到空間的電磁頻率（電磁波），頻率范圍從300KHz～300GHz之間（因為其較高的頻率使其具有遠距離傳輸能力）。射頻簡稱RF射頻就是射頻電流，它是一種高頻交流變化電磁波的簡稱。每秒變化小於1000次的交流電稱為低頻電流，大於10000次的稱為高頻電流，而射頻就是這樣一種高頻電流。高頻(大於10K)；射頻（300K-300G）是高頻的較高頻段；微波頻段（300M-300G）又是射頻的較高頻段。【有線電視就是用射頻傳輸方式】
（4） DSP：數字信號處理，也指數字信號處理晶元
（五）數據挖掘演算法工程師類
包括
推薦演算法工程師，數據挖掘演算法工程師
要求
l
專業：計算機、通信、應用數學、金融數學、模式識別、人工智慧；
l
技術領域：機器學習，數據挖掘
l
技術要求：
（1） 熟悉常用機器學習和數據挖掘演算法，包括但不限於決策樹、Kmeans、SVM、線性回歸、邏輯回歸以及神經網路等演算法；
（2） 熟練使用SQL、Matlab、Python等工具優先；
（3） 對Hadoop、Spark、Storm等大規模數據存儲與運算平台有實踐經驗【均為分布式計算框架】
（4） 數學基礎要好，如高數，統計學，數據結構
l
加分項：數據挖掘建模大賽；
應用領域
（1） 個性化推薦
（2） 廣告投放
（3） 大數據分析
相關術語
Map-Rece：MapRece是一種編程模型，用於大規模數據集（大於1TB）的並行運算。概念"Map（映射）"和"Rece（歸約）"，是它們的主要思想，都是從函數式編程語言里借來的，還有從矢量編程語言里借來的特性。
（六）搜索演算法工程師
要求
l
技術領域：自然語言
l
技術要求：
（1） 數據結構，海量數據處理、高性能計算、大規模分布式系統開發
（2） hadoop、lucene
（3） 精通Lucene/Solr/Elastic Search等技術，並有二次開發經驗
（4） 精通Lucene/Solr/Elastic Search等技術，並有二次開發經驗；
（5） 精通倒排索引、全文檢索、分詞、排序等相關技術；
（6） 熟悉Java，熟悉Spring、MyBatis、Netty等主流框架；
（7） 優秀的資料庫設計和優化能力，精通MySQL資料庫應用 ；
（8） 了解推薦引擎和數據挖掘和機器學習的理論知識，有大型搜索應用的開發經驗者優先。
（七）控制演算法工程師類
包括了雲台控制演算法，飛控控制演算法，機器人控制演算法
要求
l
專業：計算機，電子信息工程，航天航空，自動化
l
技術要求：
（1） 精通自動控制原理（如PID）、現代控制理論，精通組合導航原理，姿態融合演算法，電機驅動，電機驅動
（2） 卡爾曼濾波，熟悉狀態空間分析法對控制系統進行數學模型建模、分析調試；
l
加分項：有電子設計大賽，機器人比賽，robocon等比賽經驗，有硬體設計的基礎；
應用領域
（1）醫療/工業機械設備
（2）工業機器人
（3）機器人
（4）無人機飛控、雲台控制等

（八）導航演算法工程師
要求
l 專業：計算機，電子信息工程，航天航空，自動化
l 技術要求（以公司職位JD為例）
公司一（1）精通慣性導航、激光導航、雷達導航等工作原理；
（2）精通組合導航演算法設計、精通卡爾曼濾波演算法、精通路徑規劃演算法；
（3）具備導航方案設計和實現的工程經驗；
（4）熟悉C/C++語言、熟悉至少一種嵌入式系統開發、熟悉Matlab工具；
公司二（1）熟悉基於視覺信息的SLAM、定位、導航演算法，有1年以上相關的科研或項目經歷；
（2）熟悉慣性導航演算法，熟悉IMU與視覺信息的融合;
應用領域
無人機、機器人等。

㈦ 演算法工程師應該具備哪些工程能力

作者 | 木東居士

來源 | Data_Engineering

最近看了 Milter 的《演算法工程師究竟需要哪些工程能力》這篇文章，有所感想，因此也寫一篇關於演算法工程師的技術能力的問題，和大家分享一下居士關於演算法工程師的技術能力的觀點。

對於一名優秀的演算法工程師，他（她）要具備的不僅僅是出色的技術能力，也要有很深的業務理解能力和對外溝通能力，總之，要求可以很高！

但是，從職責能力的劃分上來講，演算法工程師首先是一名工程師，因此本文主要從工程能力要求上進行一些探討。

開始之前先放一份思維導圖，這將是這篇文章要分享的核心內容：

工程能力概覽

演算法工程師，從名字上我們就能看出，一名演算法工程師首先應該具備演算法能力和工程能力，我們可以認為這是基礎的技術能力。由於現在開源技術的普及，Sklearn、Tensorflow 和 Spark ML 基本已經成為大部分演算法工程師標配的工具庫了，因此，熟練的調包能力也是決定了一名演算法工程師能否快速實現需求。

其次，在真實的生產環境中，演算法的落地會遇到各種各樣的業務場景和數據環境，這也要求演算法工程師需要具備Pipeline 構建能力，將整個生產環境中的數據流和模型打通。同時，在生產環境中，會出現各種「疑難雜症」等待你去解釋，比如說為什麼實驗效果特別差？為什麼模型效果不穩定？這就要要求演算法工程師需要具備一定的數據分析能力。

很多時候，你會發現，你用在數據分析和Pipeline構建上的精力可能占據了你8成以上的工作內容。

當你具備了上面的能力時，你已經可以稱自己是一名演算法工程師了。此時，你可以去對著數據分析小得瑟一下：「你看，我能構建整個模型的Pipeline，你卻只能拿到別人提供的數據後調調包吧。「或者，你也可以去找開發得瑟：」你看，我懂了很多演算法哦，你就只會寫代碼吧。「

得瑟完之後，我們還是回歸正題，演算法工程師只具備這樣能力是否已經夠了？答案當然是不夠的。由於不同公司的團隊成熟度不同，工具化和流程的成熟度都不同，這就會對演算法工程師有不同的要求，比如說模型發布能力和報表開發能力，當然也會有一些其它能力，雖然可能不是特別重要，但是當這些工作沒人幫你做的時候，演算法工程師可能依然要承擔起這些工作內容，比如說灰度測試的能力、負載均衡的能力等等。

將上面的內容整理後，就是這樣一份思維導圖了（一張圖多看幾篇更能加深印象，因此我再貼出來一遍）

工程能力詳解

一、基礎能力

演算法能力

演算法能力就不多說了，演算法工程師的基本能力要求，不懂演算法對於一名演算法工程師來講是不太合理的。這里居士把統計學的內容也放進來了。

編程能力

編程能力主要分為兩部分：

調包能力

大家雖然會調侃調包俠，但是說實話，能調包調的很溜的人，也是不多的，比如說現在讓你自己用tensorflow構建一個復雜網路，不能google，你能寫出來嗎？能記清楚用法嗎？

二、核心能力

Pipeline 構建能力

Pipeline構建能力，這里想表達的更多的是整個數據流的構建能力，數據從日誌->特徵->模型訓練->反饋，這一個鏈條能否完成的能力，這裡面會有很多難題需要克服。比如說：

很多時候，模型發布之類的工作是可以由其他同學支持完成，但是數據流這種問題更多的是需要演算法工程師來解決的。

數據分析能力

這里的數據分析能力不是指商業分析或者業務分析，更多的是指特徵分析、演算法效果分析和各種異常問題定位分析的能力。

很多時候，兩個演算法工程師能力水平的強弱從數據分析能力上也能窺得一二。

三、輔助技術能力

輔助的技術能力是指，你會不會的影響不會特別大，但是也都是有用的能力，特別是不同公司的發展情況不同，很可能會出現一個演算法工程師既要做數據接入、又要做數據清洗、還要做演算法平台

也要搞前端、還要負責模型上線、系統運維。

這里就不再細講了。

思考一

聊一下對技術能力、工程能力和數據分析的思考。

居士個人的理解，技術能力更多的是偏向於一個一個的技術點，而工程能力更多就是在一個團隊中將項目做好的能力。很多演算法出身的工程能力不行，那麼他做的單純的一個模型是無法應用到實際生產中的，而工程就是指把理論落地實際生產的過程。那麼工程包含了什麼？它包括了系統架構設計和模塊設計、數據流搭建和平台搭建、調包或演算法開發、分布式、上線以及各種落地的代碼開發。報表和監控，其實本質也是做數據流，邊緣性的可能要做些後台和前端的開發。

然後數據分析能力是什麼？數據分析（不是純粹的數據分析）除了分析方法論和套路外，是一個很綜合性、相對偏軟一點的能力，比如說你通過分析發現了我們的系統有哪些可以優化的點，通過分析發現了問題的原因是什麼，這些都是分析能力。

思考二

針對前面的內容，和 Cathy 討論後，對整個思路做了新的梳理，大家直接看圖就好，居士也認為這樣描述可能更為合理。

思考三

這里再補充一個模型復現的能力，比如你看了一篇論文，發現這個模型可能很適合自己的業務場景，那麼你是否能力將論文裡面的模型快速用公司現有的平台和工具來復現？

居士認為，這一個是一個非常重要的能力，但是沒有想好具體該怎樣劃分。