算法优化工程师的
A. 算法工程师对生活的影响
可以被算法优化的生活场景：
1、时间管理大师
最近几年，“时间管理大师”一词逐渐走入大家的视野中，一开始只是用作调侃，但放在认真生活的语境之下，提升时间管理效率其实是许多职场人的必修课。世界着名的“艾维·利时间管理法”教会上百万人如何利用“优先级”管理自己的时间：
（1）写下你明天要做的6 件最重要的事。
（2）用数字标明每件事的重要性次序。
（3） 明天早上第一件事是做第一项，直至完成或达到要求。
（4）然后再开始完成第二项、第三项……
（5）每天都要这样做，养成习惯。
我们在生活中常常看不清楚的优先级问题，比如工作和生活的平衡，该去同学聚会还是在家里看书，都是没有想清楚要按什么来排，什么对你最重要。每天的时间对于每个人都一样多，用排序思维来管理时间可以让你的每一天更高效。
2、解除焦虑，安心躺平
你如果感到焦虑，可以试试下面的三步法。第一步，坐下来把你想到的所有的事情写下来，然后分类成“我能影响”和“我不能影响”的两类。仅仅这样的分类，就能让你看清楚自己是否花了太多的时间在担心不能影响的事。第二步，对“我能影响”的那些事，你可以积极主动地去改变，比如改变自己对他人的态度。第三步，对“我不能影响”的那些事，你可以问自己：“我自己能做些什么？”比如你担心经济下滑，你是否可以储蓄更多？把自己担心却不能影响的事，变成自己可以执行的行动，可以减少没有意义的焦虑。
3、像算法工程师一样思考
以上的生活场景，是否让你意识到“计算思维”的重要性？现在你大概知道了，为什么“算法工程师”们的思维模式有价值，值得每个普通人去学习。女性计算机科学家诸葛越博士在她的新书《未来算法》中，详细解释了普通人为什么要训练计算思维，以及如何训练计算思维的办法。
B. 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。
C. 想做一名算法工程师需要学什么
1、业务认知&问题定位
首先要清楚你所要解决的问题是什么，是否需要复杂的算法求解。问题的定义来源于你对业务的认知和理解。我们经常陷入一种误区，觉得自己是一名算法工程师，遇到任务问题都想要用复杂的算法去求解。正所谓一顿操作猛如虎，得来的效果却很一般。因此，做事之前一定要在理解业务的基础上，把问题定位清楚，用合适的方法求解。
2、数据挖掘&分析
深度学习的应用能够突飞猛进的一个重要原因就是大数据的支撑。当前获取数据的成本很低，而数据清理和挖掘的成本很高，但非常重要。数据是模型的输入，是模型能够拟合的上限。在入模之前，你需要花一定的精力用于数据工作，这是必要也是值得的。因此，掌握数据能力也是一名算法工程师的必经之路。
3、算法策略
这是每位算法工程师的硬实力，有了清晰的问题和可用的数据后，我们需要选择合适的算法策略求解问题。就销量预估而言，由于特征大部分都是表格型，树模型及其变体成为首选的方案。通过树模型，你能够快速拿到一个不错的baseline。但千万不要停滞不前，你需要调研更多的先进的方案进行优化，即使此时能够拿到的受益不多，但请坚持专研的精神(近期时序模型中，热度很高的informer值得尝试)。此外，“人工智能，有多少人工就有多少智能”这句话在实际应用领域体现得淋漓尽致。策略也属于算法的一部分，人工策略有时候能够带来很大的受益，也能够找到更适合的算法优化方向。例如，我们在优化首猜的货品池时，考虑到首猜目前的推荐算法已经非常优秀了，但消费者的成交来源主要是搜索，我们通过人工分析选择了做增量货品供给的方式，拿到了不错的业务效果。基于此，我们也找到了更合适的选品算法优化方向。
4、离线实验和线上AB实验
实验是验证理论的最佳手段，也是最具有说服力的。我们需要找到几个合适的指标进行优化，并且要保证离线效。
D. 成为算法工程师需要学习哪些课程
算法工程师要求很高的数学水平和逻辑思维。需要学习高数，线性代数，离散数学，数据结构和计算机等课程。
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；
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。
国内外状况
国内从事算法研究的工程师不少，但是高级算法工程师却很少，是一个非常紧缺的专业工程师。
算法工程师根据研究领域来分主要有音频/视频算法处理、图像技术方面的二维信息算法处理和通信物理层、雷达信号处理、生物医学信号处理等领域的一维信息算法处理。
E. 数据算法工程师主要是做什么的
只有数据科学家和算法工程师，数据科学家关注于用算法研究数据背后的信息，算法工程师负责将科学家研发的算法应用到实际生产活动中
算法工程师就是会一些人工智能算法的工程师。工作就是做一些人工智能算法相关的任务：根据任务整理数据（如果没有数据最好可以协助建立获取数据的流程）跑模型，改进模型部署模型，测试，优化速度等等其实AI行业比较欠缺好的产品经理，算法工程师在需求设计和沟通上最好也能参合参合，都是有益的。
想了解数据算法工程师这个职业可以到CDA认证中心去了解一下，CDA认证，致力于打造全球数据人才考核行业标准，推动全球数人才发展。包括开发和整合国际数据科学领域的前沿技术及优质资源； 制定并完善数据科学行业人才标准与职业道德行为准则；编写和建立专业教材体系与题库；组织并实施命题审题、人才评定和考试服务；管理会员与提供行业咨询服务等事务。
F. 算法工程师是个什么岗位
算法工程师是企业内部负责算法这一块的工程师，包括算法设计，算法优化
G. 算法工程师（全职）有前途吗
其实任何一个职位做专了，做精了都是有前途的。算法工程师也是如此，君不见如google，网络等世界级的大公司笔试面试时都是非常注重算法的，在这些大公司看来算法能力的高低是一个计算机从业人员能力高低的标杆，如果你能有幸从事算法相关的工作，恭喜你。当然你也要有心理准备，这个职位的劳动强度也是蛮大的，有时候搞尽脑汁也未必能设计出一个理想的算法，即使要优化已有的算法也不是一件容易的事。如果你能较快的在算法设计，算法优化的领域成长起来，那就是公司核心中的核心，前途无可限量。相比之下网络游戏开发时下就非常热，到处都是网游公司，还是那句话，如果你能成为该领域的专家，也是非常有前途的，但相比而言，网游开发要比算法设计门槛要低，竞争也更加激烈，如果让我选，我会选择算法工程师。
H. 算法工程师大致是做什么的
各个行业都有算法部分，统计有统计的算法，控制有控制的算法，图像处理有图像处理的算法。在很多传统行业，算法不是一个独立的岗位，而是由研发工程师负责。今天小编就带大家来了解下算法工程师大致是做什么的?我们接着往下看。
1. 图像处理，尤其是基于OpenCV的图像处理算法，一般产品里有做美颜，滤镜什么的特别喜欢招这块的小朋友，近一两年有被做深度学习的取代的趋势。最近google出了arcore，所以让不少小公司也能出一些效果很好的换头类应用。
2. 计算机图形学，这也算是一个大类，主要涉及到图形渲染算法，光追算法，三维图像重构等图像绘制方面的内容。这个方向，不光是做3d引擎和游戏开发方面，对于很多行业需要与cad相关的，都会涉及到这一个领域的模型和优化算法设计。
3. VR，AR领域，涉及到的包括视频跟踪，SLAM，raytracing，几何投影等等，实际上是一个综合的领域，目前主要是做计算机视觉的转行做这块。
4. 医学影像处理，三维图像重构，用在B超，CT成像上，这个是医疗方向的。
5. 通信基带信号处理，网络优化算法，这一块其实很式微了，毕竟高大上的算法小公司没成本去实施。
6. 音频滤波，用在HiFi产品，比如车载音响，手机厂商，圈子其实蛮小的。
7. 控制算法，自适应滤波算法，用在机械领域上，比如机械臂行程控制，稳定性。
8. 有限元算法，这块从雷达，机械，电磁学，到服装设计，都有很有价值的应用。
9. 信号处理，比如插值，频谱分析，盲信号分离，压缩感知，物联网大部分应用会涉及这一块。
互联网和软件行业把算法分离成一个独立的岗位大体有两个原因。第一，低级的软件工程师不懂算法，或者更干脆一点说不懂数学，所有涉及到模型和计算公式的工作都必须要找专业人员来搞定。第二，从生产效率考虑，初级算法工程师很多没有很好的软件工程背景，简单点说就是不会写代码只会写matlab，这种工程师的工作交付没有办法直接投入生产，所以需要将他们的工作和生产环节隔离开。综上所述，就是小编今天给大家分享的内容，希望可以帮助到大家。
I. 算法工程师应该具备哪些工程能力
作者 | 木东居士
来源 | Data_Engineering
最近看了 Milter 的《算法工程师究竟需要哪些工程能力》这篇文章，有所感想，因此也写一篇关于算法工程师的技术能力的问题，和大家分享一下居士关于算法工程师的技术能力的观点。
对于一名优秀的算法工程师，他（她）要具备的不仅仅是出色的技术能力，也要有很深的业务理解能力和对外沟通能力，总之，要求可以很高！
但是，从职责能力的划分上来讲，算法工程师首先是一名工程师，因此本文主要从工程能力要求上进行一些探讨。
开始之前先放一份思维导图，这将是这篇文章要分享的核心内容：
工程能力概览
算法工程师，从名字上我们就能看出，一名算法工程师首先应该具备算法能力和工程能力，我们可以认为这是基础的技术能力。由于现在开源技术的普及，Sklearn、Tensorflow 和 Spark ML 基本已经成为大部分算法工程师标配的工具库了，因此，熟练的调包能力也是决定了一名算法工程师能否快速实现需求。
其次，在真实的生产环境中，算法的落地会遇到各种各样的业务场景和数据环境，这也要求算法工程师需要具备Pipeline 构建能力，将整个生产环境中的数据流和模型打通。同时，在生产环境中，会出现各种“疑难杂症”等待你去解释，比如说为什么实验效果特别差？为什么模型效果不稳定？这就要要求算法工程师需要具备一定的数据分析能力。
很多时候，你会发现，你用在数据分析和Pipeline构建上的精力可能占据了你8成以上的工作内容。
当你具备了上面的能力时，你已经可以称自己是一名算法工程师了。此时，你可以去对着数据分析小得瑟一下：“你看，我能构建整个模型的Pipeline，你却只能拿到别人提供的数据后调调包吧。“或者，你也可以去找开发得瑟：”你看，我懂了很多算法哦，你就只会写代码吧。“
得瑟完之后，我们还是回归正题，算法工程师只具备这样能力是否已经够了？答案当然是不够的。由于不同公司的团队成熟度不同，工具化和流程的成熟度都不同，这就会对算法工程师有不同的要求，比如说模型发布能力和报表开发能力，当然也会有一些其它能力，虽然可能不是特别重要，但是当这些工作没人帮你做的时候，算法工程师可能依然要承担起这些工作内容，比如说灰度测试的能力、负载均衡的能力等等。
将上面的内容整理后，就是这样一份思维导图了（一张图多看几篇更能加深印象，因此我再贴出来一遍）
工程能力详解
一、基础能力
算法能力
算法能力就不多说了，算法工程师的基本能力要求，不懂算法对于一名算法工程师来讲是不太合理的。这里居士把统计学的内容也放进来了。
编程能力
编程能力主要分为两部分：
Python、C++、Java这类编程语言，这三种也是算法工程师需要了解的主流编程语言，一般掌握其一就够，看不同公司。 Sql就是很通用的能力了，Sql也是一门编程语言，而是是数据处理最常用的语言！ 很好用。 大数据场景下，要了解Hive Sql。调包能力
大家虽然会调侃调包侠，但是说实话，能调包调的很溜的人，也是不多的，比如说现在让你自己用tensorflow构建一个复杂网络，不能google，你能写出来吗？能记清楚用法吗？
Sklearn Tensorflow Spark ML二、核心能力
Pipeline 构建能力
Pipeline构建能力，这里想表达的更多的是整个数据流的构建能力，数据从日志->特征->模型训练->反馈，这一个链条能否完成的能力，这里面会有很多难题需要克服。比如说：
实时和离线模型一致性问题？ 离线和实时特征一致性问题？ 实时特征构建的问题？ 数据延迟的问题？很多时候，模型发布之类的工作是可以由其他同学支持完成，但是数据流这种问题更多的是需要算法工程师来解决的。
数据分析能力
这里的数据分析能力不是指商业分析或者业务分析，更多的是指特征分析、算法效果分析和各种异常问题定位分析的能力。
很多时候，两个算法工程师能力水平的强弱从数据分析能力上也能窥得一二。
三、辅助技术能力
辅助的技术能力是指，你会不会的影响不会特别大，但是也都是有用的能力，特别是不同公司的发展情况不同，很可能会出现一个算法工程师既要做数据接入、又要做数据清洗、还要做算法平台
也要搞前端、还要负责模型上线、系统运维。
这里就不再细讲了。
思考一
聊一下对技术能力、工程能力和数据分析的思考。
居士个人的理解，技术能力更多的是偏向于一个一个的技术点，而工程能力更多就是在一个团队中将项目做好的能力。很多算法出身的工程能力不行，那么他做的单纯的一个模型是无法应用到实际生产中的，而工程就是指把理论落地实际生产的过程。那么工程包含了什么？它包括了系统架构设计和模块设计、数据流搭建和平台搭建、调包或算法开发、分布式、上线以及各种落地的代码开发。报表和监控，其实本质也是做数据流，边缘性的可能要做些后台和前端的开发。
然后数据分析能力是什么？数据分析（不是纯粹的数据分析）除了分析方法论和套路外，是一个很综合性、相对偏软一点的能力，比如说你通过分析发现了我们的系统有哪些可以优化的点，通过分析发现了问题的原因是什么，这些都是分析能力。
思考二
针对前面的内容，和 Cathy 讨论后，对整个思路做了新的梳理，大家直接看图就好，居士也认为这样描述可能更为合理。
思考三
这里再补充一个模型复现的能力，比如你看了一篇论文，发现这个模型可能很适合自己的业务场景，那么你是否能力将论文里面的模型快速用公司现有的平台和工具来复现？
居士认为，这一个是一个非常重要的能力，但是没有想好具体该怎样划分。
J. 什么专业毕业可以当运筹优化算法工程师
计算机专业。当运筹优化算法工程师需要计算机专业研究生毕业可以当，主要工作是建立优化模型和设计优化求解算法工作难度较大需要研究生学历。