算法工程师是做什么的？真正做过的回答，怎么去做一个算法工程师？与机器学习哪个好一些？

算法工程师不是也有一种叫做机器学习算法工程师吗？怎么把算法工程师和机器学习两个分开了？

这是我上周听过的阿里的一位算法专家的直播课内容：

BAT企业的算法工程师是这样工作的：问题抽象、数据采集和处理、特征工程、建模训练调优、模型评估、上线部署。而一个算法工程师真正值钱的地方在于问题抽象和上线部署这两个。

他刚好讲到企业中的算法工程师的实际工作流程是怎样的？以及如何成为算法工程师，就是需要掌握哪些重要技能？

推荐给你看下咯：菜鸟窝人工智能特训营 你只需要看第一章就好了，听完之后就能解答你的提问了。

西北工业大学是国内顶尖的工科院校之一，其人工智能专业也非常优秀。就业方向方面，人工智能专业毕业生可以涉及到多个领域，例如：

1 人工智能算法与理论方向：毕业生可以从事人工智能算法的研究和开发工作，如深度学习、强化学习、机器学习等方向。

2 自然语言处理方向：毕业生可以从事文本分析、信息提取、自动问答、情感分析等方向的工作。

3 计算机视觉方向：毕业生可以从事图像处理、目标检测、人脸识别、视频分析等方向的工作。

4 数据挖掘与大数据方向：毕业生可以从事大数据分析与挖掘、数据库开发与管理、云计算等方向的工作。

总之，西北工业大学人工智能专业的就业方向非常广泛，并且有很好的就业前景。但是在找工作时，需要多关注不同公司和行业的需求，以及自身的兴趣和专业技能匹配程度。

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。

首先至少是本科及其以上的学历，大多数是硕士学历及其以上；

专业要求：计算机、电子、数学等相关专业；

语言要求：英语要求是熟练，基本上能阅读国外专业书刊；

必须掌握计算机相关知识，必须会一门编程语言。

如此看来数学乃为逻辑，而算法最主要的就是逻辑清晰合理，并且简单易懂易处理。

一个程序要求的不就是简洁，快速处理吗。

所以个人认为要成为算法工程师，最主要的是逻辑思维要好，你学数学专业逻辑肯定不差。

其实听你的介绍你离算法工程师已经很近了，缺少的就是训练了。

你会数学，懂编程，这两点其实条件已经差不多了。剩下的就是找机会主动实训了。祝你好运

<article>

课程地址: https://classcourseraorg/nlp/lecture/31

情感分析 （Sentiment analysis）又可以叫做

意见抽取 （Opinion extraction）

意见挖掘 （Opinion mining）

情感挖掘 （Sentiment mining）

主观分析 （Subjectivity analysis）等等。

引用的论文：

Bo Pang, Lillian Lee, and Shivakumar Vaithyanathan 2002 Thumbs up Sentiment Classification using Machine Learning Techniques EMNLP-2002, 79—86

Bo Pang and Lillian Lee 2004 A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts ACL, 271-278

另外需注意，Binarized (Boolean feature) Multinomial Naïve Bayes不同于Multivariate Bernoulli Naïve Bayes，MBNB在文本情感分析上的效果并不好。另外课中也提到可以用交叉验证的方式进行训练验证。

下面罗列了一些比较流行的词典：

当我们拿到一个词我们如何判断他在每个类别中出现的概率呢？以IMDB影评为例

但是！我们不能用单纯的原始计数（raw counts）方法来进行打分，如下图

可以看出，这些否定词同样可以作为单词极性的一个判断依据。

具体步骤为：

联合概率 / 独立的两个概率乘积

之后我们可以看一下统计结果，分别来自于用户好评和差评的统计：

可以看到极性划分的还不错

</article>

</main>

转自csdn

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17亿；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

成为一名合格的开发工程师不是一件简单的事情，需要掌握从开发到调试到优化等一系列能力，这些能力中的每一项掌握起来都需要足够的努力和经验。而要成为一名合格的机器学习算法工程师（以下简称算法工程师）更是难上加难，因为在掌握工程师的通用技能以外，还需要掌握一张不算小的机器学习算法知识网络。

下面我们就将成为一名合格的算法工程师所需的技能进行拆分，一起来看一下究竟需要掌握哪些技能才能算是一名合格的算法工程师。

1基础开发能力

所谓算法工程师，首先需要是一名工程师，那么就要掌握所有开发工程师都需要掌握的一些能力。

有些同学对于这一点存在一些误解，认为所谓算法工程师就只需要思考和设计算法，不用在乎这些算法如何实现，而且会有人帮你来实现你想出来的算法方案。这种思想是错误的，在大多数企业的大多数职位中，算法工程师需要负责从算法设计到算法实现再到算法上线这一个全流程的工作。

笔者曾经见过一些企业实行过算法设计与算法实现相分离的组织架构，但是在这种架构下，说不清楚谁该为算法效果负责，算法设计者和算法开发者都有一肚子的苦水，具体原因不在本文的讨论范畴中，但希望大家记住的是，基础的开发技能是所有算法工程师都需要掌握的。

2概率和统计基础

概率和统计可以说是机器学习领域的基石之一，从某个角度来看，机器学习可以看做是建立在概率思维之上的一种对不确定世界的系统性思考和认知方式。学会用概率的视角看待问题，用概率的语言描述问题，是深入理解和熟练运用机器学习技术的最重要基础之一。

概率论内容很多，但都是以具体的一个个分布为具体表现载体体现出来的，所以学好常用的概率分布及其各种性质对于学好概率非常重要。

对于离散数据，伯努利分布、二项分布、多项分布、Beta分布、狄里克莱分布以及泊松分布都是需要理解掌握的内容；

对于离线数据，高斯分布和指数分布族是比较重要的分布。这些分布贯穿着机器学习的各种模型之中，也存在于互联网和真实世界的各种数据之中，理解了数据的分布，才能知道该对它们做什么样的处理。

此外，假设检验的相关理论也需要掌握。在这个所谓的大数据时代，最能骗人的大概就是数据了，掌握了假设检验和置信区间等相关理论，才能具备分辨数据结论真伪的能力。例如两组数据是否真的存在差异，上线一个策略之后指标是否真的有提升等等。这种问题在实际工作中非常常见，不掌握相关能力的话相当于就是大数据时代的睁眼瞎。

在统计方面，一些常用的参数估计方法也需要掌握，典型的如最大似然估计、最大后验估计、EM算法等。这些理论和最优化理论一样，都是可以应用于所有模型的理论，是基础中的基础。

3机器学习理论

虽然现在开箱即用的开源工具包越来越多，但并不意味着算法工程师就可以忽略机器学习基础理论的学习和掌握。这样做主要有两方面的意义：

掌握理论才能对各种工具、技巧灵活应用，而不是只会照搬套用。只有在这个基础上才能够真正具备搭建一套机器学习系统的能力，并对其进行持续优化。否则只能算是机器学习搬砖工人，算不得合格的工程师。出了问题也不会解决，更谈不上对系统做优化。

学习机器学习的基础理论的目的不仅仅是学会如何构建机器学习系统，更重要的是，这些基础理论里面体现的是一套思想和思维模式，其内涵包括概率性思维、矩阵化思维、最优化思维等多个子领域，这一套思维模式对于在当今这个大数据时代做数据的处理、分析和建模是非常有帮助的。如果你脑子里没有这套思维，面对大数据环境还在用老一套非概率的、标量式的思维去思考问题，那么思考的效率和深度都会非常受限。

机器学习的理论内涵和外延非常之广，绝非一篇文章可以穷尽，所以在这里我列举了一些比较核心，同时对于实际工作比较有帮助的内容进行介绍，大家可在掌握了这些基础内容之后，再不断探索学习。

4开发语言和开发工具

掌握了足够的理论知识，还需要足够的工具来将这些理论落地，这部分我们介绍一些常用的语言和工具。

5架构设计

最后我们花一些篇幅来谈一下机器学习系统的架构设计。

所谓机器学习系统的架构，指的是一套能够支持机器学习训练、预测、服务稳定高效运行的整体系统以及他们之间的关系。

在业务规模和复杂度发展到一定程度的时候，机器学习一定会走向系统化、平台化这个方向。这个时候就需要根据业务特点以及机器学习本身的特点来设计一套整体架构，这里面包括上游数据仓库和数据流的架构设计，以及模型训练的架构，还有线上服务的架构等等。这一套架构的学习就不像前面的内容那么简单了，没有太多现成教材可以学习，更多的是在大量实践的基础上进行抽象总结，对当前系统不断进行演化和改进。但这无疑是算法工程师职业道路上最值得为之奋斗的工作。在这里能给的建议就是多实践，多总结，多抽象，多迭代。

6机器学习算法工程师领域现状

现在可以说是机器学习算法工程师最好的时代，各行各业对这类人才的需求都非常旺盛。典型的包括以下一些细分行业：

推荐系统。推荐系统解决的是海量数据场景下信息高效匹配分发的问题，在这个过程中，无论是候选集召回，还是结果排序，以及用户画像等等方面，机器学习都起着重要的作用。

广告系统。广告系统和推荐系统有很多类似的地方，但也有着很显著的差异，需要在考虑平台和用户之外同时考虑广告主的利益，两方变成了三方，使得一些问题变复杂了很多。它在对机器学习的利用方面也和推荐类似。

搜索系统。搜索系统的很多基础建设和上层排序方面都大量使用了机器学习技术，而且在很多网站和App中，搜索都是非常重要的流量入口，机器学习对搜索系统的优化会直接影响到整个网站的效率。

风控系统。风控，尤其是互联网金融风控是近年来兴起的机器学习的又一重要战场。不夸张地说，运用机器学习的能力可以很大程度上决定一家互联网金融企业的风控能力，而风控能力本身又是这些企业业务保障的核心竞争力，这其中的关系大家可以感受一下。

但是所谓“工资越高，责任越大”，企业对于算法工程师的要求也在逐渐提高。整体来说，一名高级别的算法工程师应该能够处理“数据获取数据分析模型训练调优模型上线”这一完整流程，并对流程中的各种环节做不断优化。一名工程师入门时可能会从上面流程中的某一个环节做起，不断扩大自己的能力范围。

除了上面列出的领域以外，还有很多传统行业也在不断挖掘机器学习解决传统问题的能力，行业的未来可谓潜力巨大。