三一演算法崗

❶ 演算法和開發崗相比，哪個前景更好呢

這兩個崗位的工作內容我都接觸過，目前我帶的大數據團隊中既有演算法工程師也有開發工程師，所以我說一說這兩個崗位的區別，以及未來的發展方向。

演算法設計與演算法實現
通常涉及到演算法的崗位有兩個，分別是演算法設計和演算法實現，現在有不少團隊把這兩個崗位進行合並，做演算法設計的同時也要負責實現。但是也有一些團隊是分開的，做演算法設計的不管實現過程。
演算法崗位門檻是很高的，人才也是稀缺的，總體發展空間很好。還有一點演算法崗位的不可替代性強，如果有機會去演算法崗建議是去的，一般學歷要求在碩士，java本科大專都是可以的哈。從工作的復雜性上來說，演算法工程師的工作強度還是比較大的，但是演算法工程師的職業周期也比較長。
演算法崗主要是在於如何量化我們的產出，寫代碼做開發非常簡單。你完成了一個任務或者是項目，有了經驗之後，這是在簡歷上實打實的東西。很多演算法工程師最終成長為企業的首席科學家，或者是首席技術官等崗位，可以說演算法工程師的發展前景還是非常不錯的。
開發崗位
軟體團隊的大部分崗位都是開發崗位，有前端開發、後端開發、移動端開發等，可以說大部分程序員做的都是開發崗的工作。
與演算法崗位不同的是，開發崗位人數多，佔比大，而且大部分開發崗位的職業周期都比較短，一般開發崗位在做到一定年齡(比如35歲)之後都會轉型。一部分會轉向項目經理等管理崗位，一部分會轉型做架構師，還有一部分轉型為行業咨詢專家等，當然，也有一部分開發人員轉型為演算法工程師。
一個優秀的開發者不是網上說的那樣吃青春煩的，每一個崗位都會有自己的未來職業發展。開始確實是青春飯，因為大多數人不懂如何提升自己在公司當中的潛在價值，或者不知道如何更加聰明的完成任務。
其實兩個崗位沒有什麼可比性。聊聊這兩個崗位的突出項，開發門檻不很高的，演算法就相對高一些，因為涉及大數據人工智慧等等。現在做演算法的話，5年左右基本會成為專家，給別人講，因為大多數的人是不太懂演算法的，所以會覺得你很牛。收入上來說，演算法的收入是高於開發的。創業的話，大白話就是演算法其實是更容易給別人講故事的，而且相對產品來說，演算法是更容易形成產品的。

❷ 你覺得演算法工程師的就業前景如何

隨著大數據和人工智慧領域的不斷深入發展，自然語言處理、機器學習等方向成為求職的大熱門，演算法工程師也自然而然成為目前最炙手可熱的崗位。雖然演算法工程師一直被頻頻提及，但是許多人對這個崗位的了解還知之甚少。那麼演算法工程師究竟是做什麼的？發展前景怎麼樣呢？

由於演算法工程師對於知識結構的要求比較豐富，同時演算法工程師崗位主要以研發為主，需要從業者具備一定的創新能力，所以要想從事演算法工程師崗位往往需要讀一下研究生，目前不少大型科技企業對於演算法工程師的相關崗位也有一定的學歷要求。

❸ 985計算機碩士，演算法崗和開發崗如何選擇

這個每個省份是不同的 而且如果是三校生高考的話 招生的專業都是專科二本的 這個可以看歷年的分數 分數在省考院可以查詢

❹ 演算法崗位，華為公司值得去嗎

要是男生就去，要是女生能吃苦耐勞的也可以去。我有親人在華為上班10多年了。幾乎是一年四季沒假期，沒時間陪伴親人！ 然後周末也是時不時的有工作電話進來，半夜接到工作電話，也是需要及時處理。甚至跑去公司處理。 沒有堅定吃苦受累的心，還是考慮清楚再進去。感覺裡面也是一個大煉缸。狼性企業，每年優勝劣汰，末位淘汰制。還有工作牽連制。。。那是各種的100%神經綳著！ 雖說進去工資上面還過的去，但是加薪很慢很慢，有人真的是4年加一次。然後現在16級以下的好像沒有股票分紅了。一般新進去的 都是從13-14級開始。本科13級，研究生博士生14-15級起步。有些人混了4-5年才升一級。沒有早幾年好混了！！！！

❺ 本科生真的很不適合演算法崗位嗎

先說結論：有難度，演算法工作兩年，身邊都是碩士和博士，真心想做演算法，可以繼續讀個碩士。演算法內卷嚴重，很多人也都是在勸退。不過這也是我國快速發展帶來的問題，試問哪個行業不是內卷嚴重？大家一起卷唄。學習經驗和路線，我整理過，原文如下：

一直以來，被問到最多的問題就是「演算法的學習路線」。

今天，它來了。

我會帶著大家看看，我們需要學些啥，利用這個假期，我甚至還收集整理了配套視頻和資料，暖男石錘啊，這期文章有用的話，別忘三連哦！

主要分為 4 個部分：數學基礎、編程能力、演算法基礎、實戰。

❻ 研究生做演算法還是開發

研究生做開發的比較常見，做演算法的比較少，很多公司演算法崗的hc比開發崗少很多，足以見得演算法崗的難和門檻高。

❼ 計算機開發崗和演算法崗都有些什麼區別

其實只有在大廠這兩個崗位才會被分的很清楚，小公司的話一般都是混著用，畢竟演算法工程師都很貴，得保證利益最大化才行。

演算法崗

這種崗位負責新演算法的研發工作和論文的解讀、編寫，一般存在於一些大廠的實驗室，比如國內的阿里、網路、騰訊、華為，國外的openAI、臉書、deepmind等。而且學歷和專業要求極高，基本都是科班的名校碩士或者博士，這也是網傳的演算法門檻高的真正崗位，高學歷保證了技術水準的同時也保證了技術員的學習接收能力，保證了國外如果有新的技術論文可以第一時間解讀和實踐。

演算法工程師崗

目前我就是這個崗位，主要是負責將已經成熟的技術結合到商業項目中偏向業務一些，這個這個崗位就沒有演算法崗那麼誇張，基本上只要是好一點的本科計算機專業就夠滿足面試要求了，目前商湯、曠視、寒武紀這些都偏向這個方向。

其實還有第三檔的公司主要做的是產品，基本上就是調用模型然後應用到一些軟體中去，來優化產品功能，基本上懂一些演算法的開發就能做到這項工作。

❽ 都快2021年了，演算法崗位應該怎樣准備面試

說到演算法崗位，現在網上的第一反應可能就是內卷，演算法崗位也號稱是內卷最嚴重的崗位。針對這個問題，其實之前我也有寫過相關的文章。這個崗位競爭激烈不假，但我個人覺得稱作內卷有些過了。就我個人的感覺，這幾年的一個大趨勢是從迷茫走向清晰。

早在2015年我在阿里媽媽實習的時候，那個時候我覺得其實對於演算法工程師這個崗位的招聘要求甚至包括工作內容其實業內是沒有一個統一的標準的。可以認為包括各大公司其實對這個崗位具體的工作內容以及需要的候選人的能力要求都不太一致，不同的面試官有不同的風格，也有不同的標准。

我舉幾個例子，第一個例子是我當初實習面試的時候，因為是本科生，的確對機器學習這個領域了解非常非常少，可以說是幾乎沒有。但是我依然通過了，通過的原因也很簡單，因為有acm的獲獎背景，面試的過程當中主要也都是一些演算法題，都還算是答得不錯。但是在交叉面試的時候，一位另一個部門的總監就問我有沒有這塊的經驗？我很明確地說了，沒有，但是我願意學。

接著他告訴我，演算法工程師的工作內容主要和機器學習相關，因此機器學習是基本的。當時我就覺得我涼了，然而很意外地是還是通過了面試。

核心能力

由於我已經很久沒有接觸校招了，所以也很難說校招面試應該怎麼樣准備，只能說說如果是我來招聘，我會喜歡什麼樣的學生。也可以理解成我理解的一個合格優秀的演算法工程師應該有的能力。

模型理解

演算法工程師和模型打交道，那麼理解模型是必須的。其實不用說每一個模型都精通，這沒有必要，面試的時候問的模型也不一定用得到。但更多地是看重這個人在學習的時候的習慣，他是淺嘗輒止呢，還是會刨根究底，究竟能夠學到怎樣的地步。

在實際的工作當中我們可能會面臨各種各樣的情況，比如說新加了特徵但是沒有效果，比如升級了模型效果反而變差了等等，這些情況都是有可能發生的。當我們遇到這些情況之後，需要我們根據已知的信息來推理和猜測導致的原因從而針對性的採取相應的手段。因此這就需要我們對當前的模型有比較深入地了解，否則推導原因做出改進也就無從談起。

所以面試的時候問起哪個模型都不重要，重要的是你能不能體現出你有過深入的研究和理解。

數據分析

演算法工程師一直和數據打交道，那麼分析數據、清洗數據、做數據的能力也必不可少。說起來簡單的數據分析，這當中其實牽扯很多，簡單來說至少有兩個關鍵點。

第一個關鍵點是處理數據的能力，比如sql、hive、spark、MapRece這些常用的數據處理的工具會不會，會多少？是一個都不會呢，還是至少會一點。由於各個公司的技術棧不同，一般不會抱著候選人必須剛好會和我們一樣的期待去招人，但是候選人如果一無所知肯定也是不行的。由於學生時代其實很少接觸這種實踐的內容，很多人對這些都一無所知，如果你會一兩個，其實就是加分項。

第二個關鍵點是對數據的理解力，舉個簡單的例子，比如說現在的樣本訓練了模型之後效果不好，我們要分析它的原因，你該怎麼下手？這個問題日常當中經常遇到，也非常考驗演算法工程師對數據的分析能力以及他的經驗。數據是水，模型是船，我們要把船駛向遠方，只懂船隻構造是不行的，還需要對水文、天象也有了解。這樣才能從數據當中捕捉到trick，對一些現象有更深入的看法和理解。

工程能力

雖然是演算法工程師，但是並不代表工程能力不重要，相反工程能力也很重要。當然這往往不會成為招聘的硬性指標， 比如考察你之前做過什麼工程項目之類的。但是會在你的代碼測試環節有所體現，你的代碼風格，你的編碼能力都是你面試的考察點之一。

並不只是在面試當中如此，在實際工作當中，工程能力也很關鍵。往小了說可以開發一些工具、腳本方便自己或者是團隊當中其他人的日常工作，往大了說，你也可以成為團隊當中的開發擔當，負責其團隊當中最工程的工作。比如說復現一篇paper，或者是從頭擼一個模型。這其實也是一種差異化競爭的手段，你合理地負擔起別人負擔不了的工作，那麼自然就會成為你的業績。

時代在變化，行業在發展，如今的校招會問些什麼早已經和當年不同了。但不管怎麼說，這個崗位以及面試官對於人才的核心訴求幾乎是沒有變過的，我們從核心出發去構建簡歷、准備面試，相信一定可以有所收獲。

❾ 學編程往哪個方向比較熱門

目前中科大計算機視覺博士在讀，目前熱門方向其實就兩個，演算法崗和開發崗，演算法崗一般要求比較高，985以上吧，但是最近也比較熱門，反而普通開發崗也比較稀缺了。目前演算法崗人工智慧最熱門的兩個方向是自然語言處理和計算機視覺，最火的莫過於計算機視覺。開發崗就多了，但是最火熱的只有java崗，其他的看行情，比如Android開發，ios開發，這些不好說，能確定的開發崗就是java後端，永遠保值。

❿ 男朋友演算法工程師好么

這周面試了一個候選人，面CV/DL/AI的TechLead。簡歷很牛逼，做過很多CV的工業項目，涵蓋detection, OCR, face recognition, fire/smoke detection等好多項目. 給我們講了45分鍾做得項目，講得很自信。我挑了一個大項目，我說你在這個項目中的貢獻是什麼？他說整個項目的所有演算法部分都是他實現的。

OK,我開始進行深度學習的技術面。

我先問了兩個深度學習的中等難度的問題，他都說不知道。有點冷場，那我趕緊問點簡單的吧。我說，深度學習網路，進行分類時有哪些loss?他猶豫了一下，回答: relu.

瞬間把見過大場面的我還有同事都震住了。

面試另外一個人，我說目前我們檢測主要用yolo，他反問了一句，怎麼不用tensorflow？

......

演算法工程師的目標既不是精通各種框架，會調各種包，也不是會發paper就是成功，而是有能力解決實實在在被提出的演算法問題。

這里的問題可能來源於業務，也可能來源於長遠的戰略部署，甚至可能來源於一次大領導的拍腦袋。不管怎麼說，個人覺得能獨立分析，拆解，建模和解決演算法問題的演算法工程師就是勝任的，否則再怎麼花里胡哨都是差勁的。

從反面回答一下，我碰到什麼樣的演算法工程師會認為他/她是優秀甚至是卓越的大佬，並選擇緊緊抱住大腿不鬆手。

本文很多觀點也是來源於不同公司的前輩們討論過這個問題，這里也感謝大家的指點。總得來說，以下幾個特點是我特別留意的，如果碰到了我就會認為這位很厲害：

基礎非常扎實。問他/她一些比較經典的演算法，能夠很清晰地說出演算法的特點、適用的場景、坑點、裡面的細節等等。
工程能力很強。我是一位「工程狗」，自己的工程能力很菜，但對工程能力強的同學非常崇拜 Orz 如果碰到一位演算法工程師的工程能力很強，僅憑這一點，我就認為他/她基本上一定是大佬Orz
重視代碼的測試。演算法崗的工作並不完全就是調參煉丹，往往也是需要去寫一些代碼的，例如寫些spark/sql代碼獲得特徵，寫模型等等。既然是寫代碼，就可以而且應該在其中加上測試。實際上，根據我的經驗，如果碰到某個其他地方好用的模型在自己的場景下效果很差（不reasonable得差），那很可能是數據、特徵的處理代碼有問題，或者模型的代碼有問題。這種問題可以用單元測試（斷言等）來提前發現，也可以用一些sanity check來發現。
對場景業務的認識很深刻。軟體工程沒有銀彈， 機器學習也沒有銀彈。 用什麼樣的特徵、什麼樣的預估目標、什麼樣的評價指標、甚至什麼樣的模型，這些東西都是要與場景業務結合的。換言之，工業屆里，業務先於技術。很多大神在這個方面做得尤其出色。
在實際場景中，注重先把整個pipeline搭建起來。個人認為，這一點在實際應用中往往應該是最優先的。搭建起來之後，機器學習系統的上下游也都可以工作，也可以更好地判斷系統的瓶頸所在，把好剛用在刀刃上。這其實就與做開發的程序設計一樣，較早地抽象出比較好的介面、搭建一個系統原型是很重要的。
能夠持續學習新的知識，跟蹤最新的成果，對各種模型的motivation有自己的理解，有自己的insight與vision。這里舉幾個我自己學習過程中碰到的例子來說明一下這點。例如，推薦系統中，在Youtube 16年的推薦paper中，為何step1和step2的優化目標是不一樣的？人臉檢測中，MTCNN為何要分為多階段？landmark檢測中，3000FPS為何要分為兩個階段？（這些是設計相關的motivation）Google的wide&deep為何在Google store的場景下效果好，而在其他的場景下效果不一定好（這是對場景的motivation理解）？文字檢測中，PixelLink為何要引入link？OCR中，CRNN為何要引入一個RNN？機器學習系統中，LightGBM是如何針對xgboost存在的哪些缺點進行改進的？（這些是對改進的motivation理解）我認識的一些大佬們會主動結合文章思考這些問題，有的時候會有與paper所claim的不同的理解（畢竟寫paper的story很多時候也不一定靠譜，大家都懂），甚至還會做實驗驗證自己的理解。然後拿這些問題來考我，在我思考不出來後再告訴我他們的理解與實驗結果Orz
做多數實驗之前有自己的假設，根據實驗結果會根據實驗結果做進一步實驗，或修正假設、或進一步探究。
自己參與的項目，對其中與自己比較相關的內容的細節比較清楚，自己負責的部分能夠了如指掌。
能系統性地分析出機器學習整個系統的瓶頸所在，並提出相應的解決方案。當系統效果不好的時候，知道如何去debug，找到問題所在，改進系統的性能