自然语言处理推荐算法招聘

⑴ 自然语言处理就业前景

自然语言处理就业前景如下：

1、自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。

2、自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。

4、对自然语言处理的常见模型有深入研究，如BERT等，至少熟悉一种深度学习框架，有相关项目经验。

5、良好的分析问题和解决问题的能力。

⑵ 自然语言处理方向研究生好找工作吗

现在国内IT互联网公司大部分NLP和IR人才被BAT公司垄断，导致市面上的优秀NLP人才极少，因此很多创业公司紧缺这方面的人才。从人工智能发展的趋势来看，我认为这是一个不错的领域，可以为之奋斗一生。NLP几乎是互联网机器学习业务的必备技能。因为互联网内容最大比例的是文本。NLP挺好找工作的，但是最好机器学习的内容学全一点，毕竟实际工作内容是很多类型的，所以NLP是比较必要但不充分。我读研时好多年前就觉得自然语言是个很有前途的方向。所以想如果我读博就念这个方向。结果我找来书看过后。深深觉得自己不行。因为我念的是纯文科的语言学。

⑶ 2020年，人工智能算法工程师就业竞争压力多大

从当前人工智能领域的发展情况来看，2020年算法工程师的岗位竞争压力是比较大的，主要原因集中在三个方面。

其一是当前算法工程师的整体人才需求增量正在趋缓，这一点在2019年的研究生秋招时就有比较明显的体现，不少打算从事算法岗位的研究生最终选择了开发岗位。
其二是人工智能领域的创业热点正在从技术创新向应用创新转移，随着大型人工智能平台的陆续开放，这一趋势会越发明显。所以大量技术研发能力较差的中小技术团队将转向应用领域，这导致算法工程师的就业渠道正在集中到大型科技公司，所以竞争也会更加激烈。
其三是目前有大量的研究生希望从事算法工程师岗位，这也导致了算法工程师岗位的竞争越来越激烈。实际上，当前计算机视觉、自然语言处理这两个领域的研究生还是存在一定就业压力的，因为前些年这两个领域热度很高，人才招聘量也非常大，所以不少研究生都选择了这两个方向，但是由于人工智能产品在落地应用的过程中遇到了一定的障碍，所以也在一定程度上影响了人才需求。
虽然算法工程师的就业竞争压力比较大，但是从产业互联网发展的大背景来看，算法工程师整体的就业前景还是比较好的，尤其在产业结构升级的推动下，大量的传统行业企业都需要进行智能化改造，而这个过程也必然会释放出更多的算法岗位。
最后，对于当前要计划从事算法工程师岗位的人来说，一定要重视编程实践能力的提升，这对于提升就业竞争力有明显的帮助。

⑷ python的自然语言处理就业方向现在就业形势好吗

Python是目前市场上大家听说最多的编程语言吧，0基础小白学什么?当然Python，转行学什么?也是Python……那么Python的发展前景真的好吗?学完好找工作吗带领大家了解一下吧。

1、就业岗位多，人才就业率高：

Python语言更其他的编程语言不通，该语言简单优美、开发效率高，所以受到了不少企业的喜欢，学习Python语言后可以从事web开发、云计算、人工智能、科学运算等方向，而且Python也是继java和C++之后的第三主流编程语言，人才就业率非常高。

2、Python语言就业发展方向广泛：

Python最强大的地方应该就是应用广泛吧，Python语言广泛应用于：Web应用开发、图形界面开发、系统网络运维、网络编程、人工智能等，涉及领域非常多，可谓是无处不在。Python可从事范围多，自然工作机会和岗位都有很多的发挥空间。

3、企业Python人才需求量大：

根据数据统计来说，现在市场上企业对Python人才需求量是非常大的，但是现在市场上Python程序员是非常少的，竞争也比较小，可以快速就业，薪资待遇也很不错。

4、薪资待遇好：

在众多编程语言之中，Python是一门唯一可以处理所有业务逻辑的语言，从招聘网站上来说，Python的平均薪资待遇是非常高的，达到了1w以上，收入非常可观。

Python薪资怎么样

相对了说现在的Python市场挺大的，竞争也并不

是很激烈，也是一个相对就业不错的岗位，薪资待遇还蛮不错的。
Python的特点

1.易于学习：Python有相对较少的关键字，结构简单，和一个明确定义的语法，学习起来更加简单。

2.易于阅读：Python代码定义的更清晰。

3.易于维护：Python的成功在于它的源代码是相当容易维护的。

4.一个广泛的标准库：Python的最大的优势之一是丰富的库，跨平台的，在UNIX，Windows和Macintosh兼容很好。

5.互动模式：互动模式的支持，您可以从终端输入执行代码并获得结果的语言，互动的测试和调试代码片断。

6.可移植：基于其开放源代码的特性，Python已经被移植（也就是使其工作）到许多平台。

7.可扩展：如果你需要一段运行很快的关键代码，或者是想要编写一些不愿开放的算法，你可以使用C或C++完成那部分程序，然后从你的Python程序中调用。

⑸ “AI技术+招聘场景”何时才能成为现实

如今，“AI技术+招聘场景”结合的各种应用开始成为现实。未来的话，AI技术在招聘行业的应用很有可能全面的去替代专业的HR。我们可以拭目以待。

近日，拉勾网宣布上线全新的企业及招聘者身份审核机制，并引入网络AI协作板块，引入人脸识别等智能方式审核验证企业HR身份与资质，未来还将用人工智能技术核验营业执照、工牌、在职证明，以及用于简历、聊天记录等内容的风险控制。

继去年AlphaGo击败围棋世界冠军以来，AI技术商业化应用的速度明显加快，在交通出行、家庭服务、医疗、商业、招聘等领域，开始替代人工完成一部分工作。一些从业者在享受AI技术带来便利的同时，也感到了压力。

机器人筛简历速度“秒杀”人类，但灵活性不足

几个月前，一场由猎聘主办，被称为招聘领域的“人机大战”用比分给出了答案。这次挑战者来自互联网公司的五位资深HR和猎头，参赛双方要从3700万简历中快速筛选出10份与招聘职位需求最匹配的简历。

这是一场围绕职位要求和候选人进行匹配的比赛，包括技术岗与产品岗位两种职位。完成简历的筛选匹配后，评审团需要从职能、技能、行业、薪资、学历、地区匹配度等六个维度对参赛选手进行打分，总分（满分为25分）最高者则被视为赢得本次比赛。

随着蓝色屏幕亮起，人类与AI机器人比分为18.96：18.60。结果显示，完成整个比赛事项，AI机器人仅用了0.0152秒，是人类平均速度的63882倍；在职位匹配度、地区匹配度上，机器人的匹配效率高于人类；在技能匹配度上，两者则打了个平手。

尽管以0.36的微弱分值败于人类，但AI机器人“在人岗匹配、在对人的理解方面”，仍然超出了猎聘网创始人兼CEO戴科彬的预期。“在简历搜寻的任务中，地区、薪资等方面是比较简单直接的条件，所以算法可以通过简单逻辑实现而且不会犯错误；在行业背景和技能要求方面，通过运用神经网络和自然语言处理等技术，算法已经能够进行较为准确的理解和相似度的判断。”这款伯乐机器人的设计者、猎聘首席数据官单艺告诉中国青年报·中青在线记者，目前AI机器人已经能够较好地理解大部分的显性要求，如职能、技能、薪资、学历、地区等，算法的匹配水平能够和专业招聘人员相当；但是在需要面对面沟通的隐性条件，如文化、价值观、气质等方面，算法还无法替代人的沟通和判断。

在结果中，机器人和人类在学历匹配度上差距最大，而造成这个差距的原因，主要是机器人不能识别“专升本”属于哪一种学历类型。这也体现了机器人思维的灵活性较为有限。对此，单艺解释称，针对“本科以上”的职位要求，在设计机器人算法时，便“专升本”判定为符合条件；但事实上，在很多招聘官（尤其是高端猎头）看来，专升本是不如本科的。因而这一筛选结果引发了在场几位评委的不同意见，“机器人在根据企业、HR偏好，对于人才软性指标做出个性化选择方面，仍然不够。”

评委团成员之一，阿里巴巴大文娱招聘专家周晓磊认为，在大规模地从海量简历中选人方面，机器人和人类的差距几乎可以忽略不计，AI机器人更能够提升整体的招聘效率。

机器人在筛选简历的速度上远超人类，这已不是什么新鲜事。据报道，今年3月，在北美着名猎头公司SourceCon举办的一场行业竞赛中，一个基于人工智能对求职者进行筛选评级的机器人“Brilent”，仅用了3.2秒，就从5500份简历中筛选出了合适的候选人，精确度在参赛者中位列第三。这个团队基于成员在Facebook时积累的数据结构化处理和细化领域匹配经验，利用AI技术，将符“人岗匹配”的求职者进行排序，让HR从机械、繁琐的简历筛选中解脱出来，能够更聚焦于后续的面试选择流程。

高精度人岗匹配：让人工智能学习HR怎么做招聘

今年6月，戴科彬宣布，猎聘要通过大数据以及人工智能方面的探索，进一步提升招聘效率，丰富招聘生态；9月12日，创新工场董事长、CEO李开复在“2017中国人工智能峰会”上表示，人工智能要真正做到取代人力，还需要有充分的数据量以及精准的场景作为前提。

从简单的职位信息罗列分类，到基于大数据挖掘的人岗匹配系统，近几年，已经有不少全行业在线招聘企业通过数据积累，形成了自己的“人才库”。在此基础上，依据简历信息或职位要求，进行人和职位的匹配，已经成为现阶段人工智能技术在招聘领域的主要应用。

据媒体报道，从2016年7月到2017年6月，AI的应用已经逐渐扩散到了全球68个国家的招聘环节中，在过去一年多里，联合利华就已在北美地区尝试利用人工智能招聘员工，涵盖了用算法筛选简历、游戏测验、人脸识别等方式，甚至不需要人类面试官参与。在国内，截至今年7月，也有不下10家初创公司号称是人工智能+招聘的领导者，力求通过技术解决招聘人力成本高、实际转化率低等招聘端与求职端信息不畅的问题。

成立于2016年的互联网智能招聘平台牛直聘所采取的方式是，通过简历分解、个性化推荐等方式，对企业（尤其是中小型企业）职位与简历实现精准综合匹配；初创招聘平台Teamable则运用AI算法挖掘应聘者的社交网络数据，力图从社交记录切入，打造精准的人才推荐闭环；而垂直于校园招聘领域的迷你校，也通过数据挖掘和AI算法设计智能匹配模型，针对不同企业自动筛选推荐简历，并对0~3年职业经历的求职者提供建议。

但单艺始终强调，在招聘行业，人工智能仅仅是一项工具，并不能代替人类，而是“帮人类作出更准确、更有依据的判断，让猎头和HR从事更有价值和创造性的工作。”从某种程度上说，人工智能在招聘领域的应用，在对行业经验要求不高的中低端人才或职位招聘中更容易得到推广。

一位专注于消费品行业中高端人才的猎头顾问对中国青年报·中青在线记者坦言，尽管每天需要频繁变换关键词搜索人才库的简历、打十几个电话与候选人联系，但这一过程所需要的随机应变等带有鲜明社交属性的专业沟通经验，是人工智能难以达到的。

“越是高端的人才、重要的高管职位，企业的HR越慎重，越需要专业的猎头对接。”北京亿聘世纪管理咨询公司总经理王广元也提出，诸如对产品经理等职能岗位的候选人，还要通过产品设计思路等软性指标进行考量，“这对于机器来说是一个弱势”。戴科彬指出，“人工智能不能马上替代猎头，供需双方数据不足是根本原因。”他提到，人岗匹配对招聘平台所掌握的求职者数据，以及企业方提供的需求描述均提出了较高需求，加上招聘的动态性和灵活性，在完善智能产品的同时，“人的因素在人工智能招聘中有着不可替代的作用。”

在时下的秋招季中，面对批量涌入求职端的应届生和供需不平衡的校园招聘市场，单艺期待，未来，AI技术可以通过分析市场职位的供求数据、挖掘企业的个性需求，提前给予适合应届生的就业指导，拓宽他们的眼界和选择范围，让企业和应届生的需求更高效地匹配。

⑹ 算法工程师未来的发展潜能如何-开课吧

要说算法工程师的日常工作，就是做优化优化再优化，很多人会问:未来的发展呢？日复一日吗？这只是一般的说法，但真正的细分还是很多的，比如:

数据挖掘和数据分析，如异常检测、欺诈检测等；

自然语言处理(NLP)，比如我们的算法部门有专门的NLP组，主要负责构建上层算法应用的基础设施，比如文章关键词、实体词、相似度计算等。，并在智能翻译和语音处理中使用相关技术；

图像处理(CV)，如自动驾驶涉及的图像拼接、车道线检测、推荐涉及的图像特征提取等；

推荐算法，目前各大互联网公司基本都有这个岗位，信息流推荐，商品推荐等等；

搜索算法类似于推荐算法使用的技术，如信息搜索、商品搜索等；

广告算法在技术上类似于推荐算法，但涉及的其他知识会稍微多一点，因为广告不仅要考虑用户和内容的关系，还要考虑商家的关系。

另外还有一些偏研究性质的岗位，这个一般要求也比较高，博士生招聘比较多，主要是不差钱的大厂会成立相关部门，比如阿里的达摩院，其他公司的AILab等等，这些部门中一般也有一些专门做研究和应用的岗位。

程序员的职业发展路径一般是初级工程师、高级工程师、高级工程师、专家、高级专家、高级专家、研究人员。大公司会有相应的职级，比如阿里技术序列对应P1~P14，校招一般是P4~P5，本科一般是P4，研究生一般是P5，能力强的可能给P6甚至P7，但毕竟很少见。P5~P7是工作的中坚力量，占比相对较大，一般每两年晋升一次。当然，是否上升和如何上升与你的个人能力和产出密切相关。评价标准比较规范，P7上升卡比较严格。

⑺ cv和nlp需求量

在说需求量大小之前我们先来理一理这三个方向之间的关系吧。
深度学习是指通过神经网络模型（Neural Network）来解决问题的一门技术手段，深度学习更像是解决问题的一种技术方法，而自然语言处理（以下简称NLP）和强化学习（RL）更像是一种具体的问题。打个比方吧，深度学习就像是大学里学到的高等数学（解决问题的基础知识），而RL和NLP像是大学里的金融投资专业和大学里的会计专业（两个待解决的不同实际问题）。解决投资问题和会计问题会用到很多种不同方法，而高等数学就是解决这些实际问题的方法之一。
现在我们已经理解了深度学习（DL）和自然语言处理（NLP）和强化学习（RL）之间的关系，即DL是解决NLP和RL问题的一种技术手段，不论你未来选择研究NLP还是DRL都需要学习DL的相关知识。
那么现在剩下的就是NLP和DRL之间的对比了，先说结论吧，个人认为NLP的需求量比RL大不少（至少今年是这样）。我研究的就是RL方向，今年秋招的时候看了不少招聘，总的来讲需求量就是：CV > NLP > RL。计算机视觉无疑是所有Deep Learning下需求量最大的一个分支了，很多公司都会贴出一个专门职位叫“计算机视觉工程师”，视觉应用是最为广泛的（比如大疆、字节、快手、BAT等等大厂）都会有相关的视觉岗，视觉可以用来解决各种各样的问题，从人脸识别到特效算法等等，毕竟cv是所有深度学习技术中目前发展最为成熟的方向之一了。NLP的需求量要稍微小一点，但也有不少公司开设了专门的自然语言处理岗，例如网络，我记得之前面试过网络的一个部门，好像是做翻译的，面试官问到有没有接触过NLP相关的领域，所以NLP大多会被用于翻译、文本分析等等方向吧（具体细节我也不是很清楚这里就不误导楼主了，但可以保证的是很多公司招聘信息上都会有NLP岗位）。
最后就是DRL方向了，这个深坑，我来总结一下吧，DRL目前的应用方向有两个：
1. 推荐算法。
2. Game AI。
将RL应用到推荐上的厂少之又少，因为强化学习做推荐现在还并不成熟，只有一些大厂才养得起这些研究部门，我所知道这么做的厂有快手、阿里、美团。第二个方向就是Game AI，这个方向做的比推荐稍微多一些，毕竟Alpha Go开了一个很好的头、随即腾讯、网易也陆陆续续有了一些自己的成果。看出来了吗？研究RL的厂大多都是游戏厂，没错，RL目前的发展方向就是做游戏，因此如果你选择研究DRL那么将来你有很大概率加入一个游戏厂——但，不是每个游戏厂都养得起RL工程师，能愿意花钱养RL的团队资金都相当雄厚，例如腾讯、例如网易。这些大厂愿意花钱招RL工程师不等于能够温暖所有研究RL的学子们，讲个鬼故事给你听：网易今年招游戏研发工程师700人，强化学习工程师15人。这意味着什么呢，你要在好几百人中脱颖而出，冲到前15名才能被录取。可怕吧？这个差距就大nm的离谱，我之前写过一个回答，总结过为什么RL在市面上的需求量少的可怜，有兴趣的话可以瞄一眼：

为什么说强化学习在近年不会被广泛应用？
所以，强化学习在工程界内应该是最难找工作的一个方向了吧（毕竟需求量还是太少），但如果想在学术界内混一混的话，RL还是可以强推一波的，感觉强化学习现在还在发展和进化的过程当中的。

⑻ 推荐系统属于自然语言处理范畴还是信息检索范畴

自然语言处理中有关语言本身的研究，信息检索都不研究
详细一点来说，分词、语法、句法、词义等，信息检索都不会涉及
自然语言主要是偏研究的，重点是建模，根据语言素材进行精度提升

信息检索的重点是建立分类的概念，包括排序等等
信息检索是偏应用的，和工程联系密切，尤其是最近一些年，由于计算机发展速度很快
海量信息检索的重点已经从学校转向了企业，代表的企业包括google和

个人感觉，你如果想要学得比较深（至少是硕士），可以选择自然语言处理
这个领域相对较窄，就业面也窄，但一旦进企业，就肯定是好企业，除了刚才那两个，微乳和IBM也常年招聘这个领域的高手

如果想就业面宽一些，就选信息检索吧，这个领域可以学到很多软件工程的知识，将来可以很方便的应用到其他的方面

⑼ 怎么样成为一个算法工程师

看看招聘算法工程师的要求大概能知道一些情况： 华为：无线RTT（无线传输技术）算法工程师 主要工作职责 1．根据各无线产品（包括WCDMA(含HSPA)/CDMA2000/Wimax/GSM(EDGE)需求,分析和设计基带算法及其性能。 2．参与无线产品系统测试,外场测试,定位并分析问题。 3．参与LTE(S3G)/AIE/E-HSPA/GERAN标准演进的物理层技术提案工作。 4．与各无线产品RRM算法人员，网规人员合作，共同完成跨领域的算法分析研究和系统性能分析工作。 职位要求：（一）通信知识 1．硕士及以上学历，通信、信号处理或相关专业毕业（很优秀或有丰富算法分析经验可以放宽到本科）。 2．掌握信号处理技术，随机系统理论和信号检测理论，通信原理等技术。 3．熟悉无线通信系统原理，特别是蜂窝无线通信系统。 4．了解无线资源管理的基本知识，如切换，功控等。 5．了解无线网络规划的技术，特别是容量，覆盖相关的知识。 （二）个人素质 1．对算法研究有浓厚兴趣和求知欲望，有意在这里长期发展。 2．有良好的领悟能力，对工作精益求精的精神，强烈的责任心。 3．有良好的团队意识和合作精神。 （三）其他要求和说明 1．有在国内外公司相关核心部门工作经历和成功经验的人优先考虑。 某搜索网站:职位名称：资深搜索算法工程师 职位描述：1. 针对公司搜索业务，开发搜索相关性算法、排序算法。 2. 对公司海量用户行为数据和用户意图，设计数据挖掘算法 。 3. 进行关联推荐、个性化搜索技术的研发。公司简介：公司成立于2003年，拥有注册会员1.7亿；2009年全年交易额达到2083亿人民币，是亚洲最大的网络零售商圈。网站占据国内电子商务80%以上的市场份额。公司子平台作为一站式购物搜索引擎，自上线以来，已经成为这个领域内的领军力量，它最终将会为消费者提供从商品搜索、购物比价甚至在线支付的全流程购物服务。公司采用行业领先的搜索技术，网罗最受欢迎的C2C、B2C以及团购网站的所有线上商品，同时将各类导购资讯一网打尽，为用户提供便捷的一站式购物体验；货比N家，。公司有着千万台服务器24x7的积累和计算海量的用户购物行为以及商品销售数据，为消费者提供可持续提升体验的个性化商品推荐；创新的手机应用让购物随时随地。 欢迎对网络购物体验，搜索技术，大数据量并行处理，分布式存储与计算，大规模集群通讯，自然语言处理, 机器学习，商品推荐算法, Android/iOS移动应用开发等感兴趣的朋友加入。岗位职责：1、3年以上相关工作经验。 2、熟练掌握C/C++或java语言。 5、深入理解机器学习理论，了解自然语言处理技术者优先考虑

⑽ 算法工程师 就业前景

一、算法工程师简介
（通常是月薪15k以上，年薪18万以上，只是一个概数，具体薪资可以到招聘网站如拉钩，猎聘网上看看）
算法工程师目前是一个高端也是相对紧缺的职位；
算法工程师包括
音/视频算法工程师（通常统称为语音/视频/图形开发工程师）、图像处理算法工程师、计算机视觉算法工程师、通信基带算法工程师、信号算法工程师、射频/通信算法工程师、自然语言算法工程师、数据挖掘算法工程师、搜索算法工程师、控制算法工程师（云台算法工程师，飞控算法工程师，机器人控制算法）、导航算法工程师（
@之介
感谢补充）、其他【其他一切需要复杂算法的行业】
专业要求：计算机、电子、通信、数学等相关专业；
学历要求：本科及其以上的学历，大多数是硕士学历及其以上；
语言要求：英语要求是熟练，基本上能阅读国外专业书刊，做这一行经常要读论文；
必须掌握计算机相关知识，熟练使用仿真工具MATLAB等，必须会一门编程语言。
算法工程师的技能树（不同方向差异较大，此处仅供参考）
1 机器学习
2 大数据处理：熟悉至少一个分布式计算框架Hadoop/Spark/Storm/ map-rece/MPI
3 数据挖掘
4 扎实的数学功底
5 至少熟悉C/C++或者Java，熟悉至少一门编程语言例如java/python/R
加分项：具有较为丰富的项目实践经验（不是水论文的哪种）
二、算法工程师大致分类与技术要求
（一）图像算法/计算机视觉工程师类
包括
图像算法工程师，图像处理工程师，音/视频处理算法工程师，计算机视觉工程师
要求
l
专业：计算机、数学、统计学相关专业；
l
技术领域：机器学习，模式识别
l
技术要求：
（1） 精通DirectX HLSL和OpenGL GLSL等shader语言，熟悉常见图像处理算法GPU实现及优化；
（2） 语言：精通C/C++；
（3） 工具：Matlab数学软件，CUDA运算平台，VTK图像图形开源软件【医学领域：ITK，医学图像处理软件包】
（4） 熟悉OpenCV/OpenGL/Caffe等常用开源库；
（5） 有人脸识别，行人检测，视频分析，三维建模，动态跟踪，车识别，目标检测跟踪识别经历的人优先考虑；
（6） 熟悉基于GPU的算法设计与优化和并行优化经验者优先；
（7） 【音/视频领域】熟悉H.264等视频编解码标准和FFMPEG，熟悉rtmp等流媒体传输协议，熟悉视频和音频解码算法，研究各种多媒体文件格式，GPU加速；
应用领域：
（1） 互联网：如美颜app
（2） 医学领域：如临床医学图像
（3） 汽车领域
（4） 人工智能
相关术语：
（1） OCR：OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程
（2） Matlab：商业数学软件；
（3） CUDA： (Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台（由ISA和GPU构成）。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题
（4） OpenCL: OpenCL是一个为异构平台编写程序的框架，此异构平台可由CPU，GPU或其他类型的处理器组成。
（5） OpenCV：开源计算机视觉库；OpenGL：开源图形库；Caffe：是一个清晰，可读性高，快速的深度学习框架。
（6） CNN：（深度学习）卷积神经网络（Convolutional Neural Network）CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。
（7） 开源库：指的是计算机行业中对所有人开发的代码库，所有人均可以使用并改进代码算法。
（二）机器学习工程师
包括
机器学习工程师
要求
l
专业：计算机、数学、统计学相关专业；
l
技术领域：人工智能，机器学习
l
技术要求：
（1） 熟悉Hadoop/Hive以及Map-Rece计算模式，熟悉Spark、Shark等尤佳；
（2） 大数据挖掘；
（3） 高性能、高并发的机器学习、数据挖掘方法及架构的研发；
应用领域：
（1）人工智能，比如各类仿真、拟人应用，如机器人
（2）医疗用于各类拟合预测
（3）金融高频交易
（4）互联网数据挖掘、关联推荐
（5）无人汽车，无人机

相关术语：
（1） Map-Rece：MapRece是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Rece（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。
（三）自然语言处理工程师
包括
自然语言处理工程师
要求
l
专业：计算机相关专业；
l
技术领域：文本数据库
l
技术要求：
（1） 熟悉中文分词标注、文本分类、语言模型、实体识别、知识图谱抽取和推理、问答系统设计、深度问答等NLP 相关算法；
（2） 应用NLP、机器学习等技术解决海量UGC的文本相关性；
（3） 分词、词性分析、实体识别、新词发现、语义关联等NLP基础性研究与开发；
（4） 人工智能，分布式处理Hadoop；
（5） 数据结构和算法；
应用领域：
口语输入、书面语输入
、语言分析和理解、语言生成、口语输出技术、话语分析与对话、文献自动处理、多语问题的计算机处理、多模态的计算机处理、信息传输与信息存储 、自然语言处理中的数学方法、语言资源、自然语言处理系统的评测。

相关术语：
（2） NLP：人工智能的自然语言处理，NLP (Natural Language Processing) 是人工智能（AI）的一个子领域。NLP涉及领域很多，最令我感兴趣的是“中文自动分词”（Chinese word segmentation）：结婚的和尚未结婚的【计算机中却有可能理解为结婚的“和尚“】

（四）射频/通信/信号算法工程师类
包括
3G/4G无线通信算法工程师， 通信基带算法工程师，DSP开发工程师（数字信号处理），射频通信工程师，信号算法工程师
要求
l
专业：计算机、通信相关专业；
l
技术领域：2G、3G、4G，BlueTooth（蓝牙），WLAN，无线移动通信, 网络通信基带信号处理
l
技术要求：
（1） 了解2G，3G，4G，BlueTooth，WLAN等无线通信相关知识，熟悉现有的通信系统和标准协议，熟悉常用的无线测试设备；
（2） 信号处理技术，通信算法；
（3） 熟悉同步、均衡、信道译码等算法的基本原理；
（4） 【射频部分】熟悉射频前端芯片，扎实的射频微波理论和测试经验，熟练使用射频电路仿真工具（如ADS或MW或Ansoft）；熟练使用cadence、altium designer PCB电路设计软件；
（5） 有扎实的数学基础，如复变函数、随机过程、数值计算、矩阵论、离散数学
应用领域：
通信
VR【用于快速传输视频图像，例如乐客灵境VR公司招募的通信工程师（数据编码、流数据）】
物联网，车联网
导航，军事，卫星，雷达
相关术语：
（1） 基带信号：指的是没有经过调制（进行频谱搬移和变换）的原始电信号。
（2） 基带通信（又称基带传输）：指传输基带信号。进行基带传输的系统称为基带传输系统。传输介质的整个信道被一个基带信号占用.基带传输不需要调制解调器，设备化费小，具有速率高和误码率低等优点,.适合短距离的数据传输，传输距离在100米内，在音频市话、计算机网络通信中被广泛采用。如从计算机到监视器、打印机等外设的信号就是基带传输的。大多数的局域网使用基带传输，如以太网、令牌环网。
（3） 射频：射频（RF）是Radio Frequency的缩写，表示可以辐射到空间的电磁频率（电磁波），频率范围从300KHz～300GHz之间（因为其较高的频率使其具有远距离传输能力）。射频简称RF射频就是射频电流，它是一种高频交流变化电磁波的简称。每秒变化小于1000次的交流电称为低频电流，大于10000次的称为高频电流，而射频就是这样一种高频电流。高频(大于10K)；射频（300K-300G）是高频的较高频段；微波频段（300M-300G）又是射频的较高频段。【有线电视就是用射频传输方式】
（4） DSP：数字信号处理，也指数字信号处理芯片
（五）数据挖掘算法工程师类
包括
推荐算法工程师，数据挖掘算法工程师
要求
l
专业：计算机、通信、应用数学、金融数学、模式识别、人工智能；
l
技术领域：机器学习，数据挖掘
l
技术要求：
（1） 熟悉常用机器学习和数据挖掘算法，包括但不限于决策树、Kmeans、SVM、线性回归、逻辑回归以及神经网络等算法；
（2） 熟练使用SQL、Matlab、Python等工具优先；
（3） 对Hadoop、Spark、Storm等大规模数据存储与运算平台有实践经验【均为分布式计算框架】
（4） 数学基础要好，如高数，统计学，数据结构
l
加分项：数据挖掘建模大赛；
应用领域
（1） 个性化推荐
（2） 广告投放
（3） 大数据分析
相关术语
Map-Rece：MapRece是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Rece（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。
（六）搜索算法工程师
要求
l
技术领域：自然语言
l
技术要求：
（1） 数据结构，海量数据处理、高性能计算、大规模分布式系统开发
（2） hadoop、lucene
（3） 精通Lucene/Solr/Elastic Search等技术，并有二次开发经验
（4） 精通Lucene/Solr/Elastic Search等技术，并有二次开发经验；
（5） 精通倒排索引、全文检索、分词、排序等相关技术；
（6） 熟悉Java，熟悉Spring、MyBatis、Netty等主流框架；
（7） 优秀的数据库设计和优化能力，精通MySQL数据库应用 ；
（8） 了解推荐引擎和数据挖掘和机器学习的理论知识，有大型搜索应用的开发经验者优先。
（七）控制算法工程师类
包括了云台控制算法，飞控控制算法，机器人控制算法
要求
l
专业：计算机，电子信息工程，航天航空，自动化
l
技术要求：
（1） 精通自动控制原理（如PID）、现代控制理论，精通组合导航原理，姿态融合算法，电机驱动，电机驱动
（2） 卡尔曼滤波，熟悉状态空间分析法对控制系统进行数学模型建模、分析调试；
l
加分项：有电子设计大赛，机器人比赛，robocon等比赛经验，有硬件设计的基础；
应用领域
（1）医疗/工业机械设备
（2）工业机器人
（3）机器人
（4）无人机飞控、云台控制等

（八）导航算法工程师
要求
l 专业：计算机，电子信息工程，航天航空，自动化
l 技术要求（以公司职位JD为例）
公司一（1）精通惯性导航、激光导航、雷达导航等工作原理；
（2）精通组合导航算法设计、精通卡尔曼滤波算法、精通路径规划算法；
（3）具备导航方案设计和实现的工程经验；
（4）熟悉C/C++语言、熟悉至少一种嵌入式系统开发、熟悉Matlab工具；
公司二（1）熟悉基于视觉信息的SLAM、定位、导航算法，有1年以上相关的科研或项目经历；
（2）熟悉惯性导航算法，熟悉IMU与视觉信息的融合;
应用领域
无人机、机器人等。