演算法崗大爆炸

㈠ 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。

㈡ 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。

㈢ 為什麼一線互聯網公司的校招高薪都是演算法類

高端工程類崗位所需要的能力，高校很難培養出來。中低端工程類崗位，可能確實不太值錢。

。演算法類因為一些歷史遺留問題，大公司之前懂得人不多，而學校確實有些老師是行家裡手，學生也可以在某一個小領域，做到精通。

這推高了前兩年演算法領域的校招價。然而，隨著公司相關人才越來越多，演算法類的稀缺性也在下降。另外，現在很多技術比較好的組也比較認清了，高端演算法類畢業生已經不能靠論文數量，甚至已經不能靠發的會議質量了。

㈣ 基礎數學專業研究生能成為演算法工程師嗎

可以，但是不建議。
第一，從2018年秋招情況來看，目前演算法崗已經爆炸，報錄比例驚人，大部分人都很難找到合適的演算法崗位。
第二，現在大家一窩蜂的都轉行做演算法，你們想想畢業找工作的時候壓力得有多大。
第三，往計算機方向轉一定要選對小方向。其實互聯網行業很多研發崗位非常缺人（測試開發、安卓ios客戶端開發、java前端、大數據開發），但校招卻沒幾個人願意投（因為大家都在投演算法崗）。
第四，最後很多想做演算法的人內心os大概是這樣的：「演算法多高大上啊說出去也好聽，我要是研究生畢業去做安卓開發，那多「掉價」啊」；「做演算法不需要了解那麼多枯燥的計算機基礎知識，我也沒功夫花大量時間去訓練我的代碼能力，只要數學過關就行」。

㈤ 211計算機博士還是中廠開發

人工智慧在大公司裡面坑位最多的其實是演算法崗，我有次跟演算法崗的主管聊天，他說只看三個東西，paper、學校、競賽，當然鑒於演算法與工程開發普遍存在的循環BS鏈，你如果兩方面都發展一下，不管應聘哪邊，都是個很大的亮點。
以你描述的情況來看，進大廠做演算法有點難。相比開發崗，演算法崗的坑真心不多，小公司養不起，大公司個頂個的高學歷、海外頂級高校、ACM競賽拿獎之類的。還有一個關鍵問題，在以業務為導向的研發團隊中，演算法絕大多數時候是助攻。
個人的看法，所謂的人工智慧被社會變相抬得太高了，過去幾年學術界大牛轉到工程界再回到學術的兩次風潮就能明顯看出問題來。它與開發崗的維度不一樣，所有線上的東西要落地都離不開工程，而只有少數場景需要人工智慧的介入。
軟體工程領域這些年不斷被拆分、抽象、沉澱、輸出，絕大部分的工程師越來越只需要關注業務向技術的轉換了，至於技術的實現，雲計算、各種中間件、腳手架、標准流程等，讓過程變得很越來越簡單。
演算法領域會不會出現這樣的情況？有次跟負責支撐我們業務線的演算法主管聊天，他提到自己要學一些工程知識，以免哪天被軟體工程師給替代掉。而我收到的一些外國工程師簡歷中，大多就寫了自己精通人工智慧，仔細問下來，了解常見的場景及、模型、框架，不是太偏門的問題都能自閉環。

㈥ 演算法工程師的就業前景如何

人工智慧工作最受歡迎。演算法工程師平均招聘工資建議達到25978元。由於人才匱乏，企業競爭激烈，平均加薪超過7%。該市90%以上的人工智慧高薪工作都在天河區.近日，由廣州天河人才港和BOSS直接就業研究院聯合發布的《廣州市天河區2018年1-4月人才趨勢報告》，展示了該地區的主流發展趨勢：IAB已經成為天河區，和天河區創新型企業和大型企業布局或發展的核心主方向，企業以高薪吸引更多的行業優秀人才。「天河區企業渴望以高薪攫取IAB人才，這意味著企業要在這些行業中發揮實力。

㈦ 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。

㈧ 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。

㈨ 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

㈩ 演算法崗和開發崗哪個好

你玩呢，演算法還不是開發崗的一種啊，你會寫演算法還不是算作開發，你會開發也要懂基本的演算法啊