本文主要是介绍算法工程师就业，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

算法工程师

来自深度之眼课程

文章目录

• 算法工程师
• • 面试准备
  • • 个人背景
    • 行情
    • 方案：
    • 准备
    • 项目
    • 实施
  • 工作日常
  • • 岗位方向
    • 算法生命周期
    • 工作时间分配
    • 工作量
    • 项目实例一
  • **转化成算法问题**
  • • 项目实例二
  • 职业晋升前景
  • • 晋升路线
    • 晋升难点
    • 前途&钱途
    • 前途&钱途

面试准备

个人背景

• Type A：有机器学习工作背景，对深度学习感兴趣
• Type B：没有机器学习工作背景，有数据类工作背景
• Type C：没有任何数据背景，没有工程背景，对深度学习感兴趣

截止2019年，互联网算法岗仍是不饱和的，人才供不应求

行情

• 大厂：

  BATJM——ML&CV&NLP

• 独角兽：

  蚂蚁——ML>NLP&CV

  头条——NLP>ML>CV

• 人工智能行业：

  商汤——人脸、自动驾驶

  旷世——人脸、自动驾驶

  小马知行——自动驾驶

方案：

经典面试问题

1. 算法题

2. ML、DL知识

   纸上推公式可能发生

3. 相关项目经历

   对引导面试主题有重要影响

   重要的是：阐述问题的逻辑性和前后的严密性

面试扣分：

• 简单的算法题

  From Leecode

• 难题部分：

  注重思路：

• 对算法的理解深度：

  决定评级

• 项目经历：

  问题分析和解决能力

• 语言表达技巧

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nJmptvtQ-1625888374649)(https://i.loli.net/2021/07/09/xXDyUiJNkd3s4mz.png)]

准备

• 内力：

  • 练习基本的算法题，排序题

  • 至少读一本ML教材，例如李航**《统计学习方法》、《深度学习》，至少读懂一两个算法**

    e.g讲一个你最喜欢的算法

  • 认真做一个ML/DL项目，体验从数据清洗、特征工程、模型调优、模型迭代整个建模流程，总结一两个难点、以及你如何应对、解决难点

• 外力：

  • 通过你的朋友打听哪家公司哪个组缺人
  • 打听哪个组的面试难度低，招人要求低

项目

• 从自己公司/部门的算法组找机会合作项目，适用数据类、工程类背景同学
  • 算法模型需要集成系统
  • 算法需要与数据库、API交互
  • 算法可以与前端、UI交互
  • 算法落地需要BI、数据分析来发挥商业价值
• 数据挖掘、算法竞赛,包括Kaggle、天池
  • Kaggle某些比赛奖励是硅谷公司面试机会
  • Kaggle论坛有大量实战学习资料

实施

• 通常做项目周期2~3个月可以学到足够实战的技巧和经验
• 算法编程题可以在面试前一个月刷题
• 算法知识和算法甚础比较需要长的时间学习消化
  • 对于有机器学习基础同学跳深度学习岗，可以直接读CV/NLP经典论文，以及最近一年的学术前沿论文
  • 对于没有机器学习背景的同学，补数学基础算法基础往往需要更长周期，所以“外力”很重要，了解面试难易度

工作日常

岗位方向

• 机器学习类

  • 搜索推荐

    e.g 商品推荐、广告等

  • 路径规划

    e.g 美团、物流等

  • 点击率预估

• 深度学习类

  • CV

  • NLP

算法生命周期

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-T7Y4Fxrr-1625888374651)(https://i.loli.net/2021/07/09/8SgmkKVnYGEH3jU.png)]

• SPRINT1：

  业务转化为算法需求

• SPRINT2：

  数据分析

• SPRINT3：

  模型迭代

• SPRINT4：

  部署、总结、评估、维护

工作时间分配

• 机器学习类

  • 数据清洗、分析、特征工程80%时间
  • 模型训练与调参10%时间(不计算模型训练运行时间)
  • 开会

• 深度学习类

  • 数据准备与清洗50%时间

  • 模型训练与调优40%时间

    不仅仅是调参，包括调整loss函数等等

  • 其他10%时间

工作量

• 项目多的时候连续加班是常见的，最晚接近零点
• 大厂算法需求更大，项目更多，加班更多有项目的时候每天到公司开始写代码到下班
• 互联网大厂通常提供各种福利，如免费晚餐、加班打车免费、门诊保险

保护：眼睛、颈椎、腰椎、胃

项目实例一

• 美团饿了么公司的app中对用户发放各种类型的补贴/折扣券，其中有一类仅用于指定商家的折扣券，例如麦当劳满30元减4元优惠券。如何制定发放策略，使其比随机发放的下单转化率更高?假如随机发放500万用户，平均转化率0.1%。

• 转化成算法问题

  预测用户收到优惠券后的下单概率，按概率从高到低排序，圈定前X%人群发放优惠券。优化指标是预测精度，目标是>0.1%。

• 第一步获取数据、简单分析，了解业务数据大致分布

  • 用户画像数据，性别、年龄、地理位置
  • 用户行为数据，登陆、浏览、点击、购物车、交易
    • 商品类目，一级、二级类目
    • 商品价格
    • 满减优惠

• 第二步做特征工程：

  经过数据分析，我们发现用户交易行为、登陆习惯、优惠券金额等数据影响用户下单概率，特征方向主要考虑

  • 商品价格维度、类目维度、交易量维度
  • 时间维度，包括近三个月、近一个月、近两周、近三天
  • 统计维度，包括均值、方差、极大极小值等
  • 登陆频率、最近登陆等信息
  • 优惠券折扣金额

• 第三步，跑模型

  通常使用GBDT，调整参数做实验。数据量大约1000万至1亿行样本，特征量大约数十个至数百个。模型跑完分析结果，可能出现的情况有

  • 模型精度比业务情况高十倍，1%，可能某个特征处理时出现问题造成数据泄漏了，比如每一笔交易的优惠券使用额隐含了这笔交易（Label=1)

  • 模型精度比较符合业务情况，稍高于0.1%，分析模型预测结果，迭代

  • 模型精度非常低，某类特征过拟合，比如样本中某个城市进行了大力度促销，需要谨慎处理地理位置这个特征

项目实例二

• 某炼钢厂流水线上安装摄像探头采集图片，希望通过目标检测判断钢铁生产过程中可能发生的坏点，做到自动化质量控制。钢厂仅提供10张样本图片

• 转化成算法问题
  目标检测：

• 第一步，分析

  分析10张样本，发现可以通过网上某个类似的公开图片集先做实验，下载图片集。如果没有标记，需要自己动手标记或找同事一起标记。

• 第二步，完成数据存储和数据清洗等

• 第三步，建模

  • 找一个目标检测的模型框架和github代码实现，先在本地跑通代码，跑通我们的图片集，获得一个baseline分数
  • 搜索相似业务场景/类似图片集的论文，找到目前业界的SOTA
  • 尝试改进模型，网络结构、loss
  • 发现改进效果不佳，读论文找方案，实现论文里的技巧。获得不错的效果

职业晋升前景

晋升路线

互联网算法类工作晋升路线分为管理类/技术类

本科一般P4-P5起步，硕士P5，工作1-3年P6，5年能力强的P7

• 技术类按阿里技术类职级从低到高
  • 初级/高级/资深工程师(P4-6)
  • 专家/高级/资深专家(P7-9)
• 管理类
  • 经理/高级/资深经理(P7-9)
  • 总监以上(P9-)

晋升难点

• 普遍对工程能力要求较高
• 管理岗以下升职拼绩效,项目的难易度、重要性会影响拿高绩效的难度
• 能抗压，能坚持高强度写代码

如果你在具备算法开发能力之外，同时具备优秀的沟通能力、或者敏锐的商业嗅觉，不要埋没了你的能力，导找适合自己的职业路线。

前途&钱途

• 钱多的地方
  • 小的创业公司，级别也高于大厂，拿股票几率高
  • 大厂P6过去带团队，技术止步不前
  • 技术上需要试错，成败取决于个人与一定运气成分
  • 创业公司管理相对混乱，工作时间可忙可闲，私人时间相对更多
• 前途稳定的地方
  • 大厂公司稳定，不会受业绩影响到发不出工资
  • 大厂周围牛人多，利于知识积累学习进步
  • 大厂跳出去机会更多
    强度写代码

如果你在具备算法开发能力之外，同时具备优秀的沟通能力、或者敏锐的商业嗅觉，不要埋没了你的能力，导找适合自己的职业路线。

前途&钱途

• 钱多的地方
  • 小的创业公司，级别也高于大厂，拿股票几率高
  • 大厂P6过去带团队，技术止步不前
  • 技术上需要试错，成败取决于个人与一定运气成分
  • 创业公司管理相对混乱，工作时间可忙可闲，私人时间相对更多
• 前途稳定的地方
  • 大厂公司稳定，不会受业绩影响到发不出工资
  • 大厂周围牛人多，利于知识积累学习进步
  • 大厂跳出去机会更多
  • 大厂工作内容难免重复机械,做好一枚岗位上的小齿轮，个人时间较少

这篇关于算法工程师就业的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！