1樓：LucasX
Require github
Require GPUs
Require 調參
Result model
Prepare data
Git clone repository from github by searching SOTA model name
Select one with most starsTrain model
調參If 不滿足業務指標 then
調參Re-train model
卡閾值堆資料
else
上線end# 國內大多數廠業務部門（非Research部門）的CV/DL 演算法工程師應該是這樣的...
2樓：yymWater
在公司從事推薦相關的業務，花了兩年的時候完成從線性模型、樹模型、FM模型再到深度學習模型的上線和全國放量，總結了下作為演算法工程師如何在每次調研瓶頸期如何再一次突破業務指標上的一些想法，即楊鎰銘：如何突破模型調研瓶頸期？
3樓：路平糜坤良旭
我十年前的第乙份工作就是幹演算法。只能說，時間長了，這個行業不會虧待你。資訊化的社會，做啥不靠演算法。保持一顆學習的心，市場會給你回報的
4樓：
主要工作內容：
1、定義問題
2、找資料【沒有現成資料】或者彙總資料【業務部門提供】3、for i in range（n）：
........清洗資料---》執行模型---》模型調參---》
........if 精度滿足業務要求：
game over
5樓：MajestyLEO
我是個非985，非211，本科生，當時校招去應聘，結果莫名其妙地收到了offer，感覺挺高階的，就開始當上了演算法工程師。
PS:其實我大學期間沒做過什麼專案，沒參加過任何比賽，倒因為興趣學了日語和法語。本來想著完全沒可能找到研發類的工作，準備幹銷售的。
然而。。。到現在，
竟然都幹了一年半的演算法工程師了。
_________分界線_________不知道有沒有和我一樣，
經歷比較奇葩的。。。
6樓：付常君
研究生三年做演算法，基本上就是在標準資料集上優化演算法。有別人提出的方法，也有一些自己異想天開的想法，結果是，很多方法，都沒有想象中那麼靠譜。畢業後，轉行做嵌入式了。
7樓：大器不早成
之前負責過高校業務的資料探勘，只能說這個行業的資料的發展還很滯後，之前想著高校的資料比較封閉，資料質量比較好，針對這乙個群體的資訊特徵進行分析會做出各種好的結果，結果是學校各個部門的資料難以獲取，有的部門的資料之前甚至也沒儲存，想讓學校各個部門的資料打通異常難。結果只能獲取一些學生很少幾個維度的資訊，基本分析不出什麼來，沒什麼工作體驗，只有各種吐槽，心累。。。
8樓：十三億分之一
演算法工程師的質量比數量重要，乙個厲害的演算法大牛比一百個新手工程師更有意義。
如果領導是由演算法工程師走到專案管理崗，會懂你的痛，但大部分時候他們都是不懂演算法的，因為他們僅僅將計算機理解成問題實現，想當然地認為他們解決問題的思路模型可以藥到病除，不知道我們多少時間都在考慮資料處理以及演算法模型時空優化。
演算法工程師一方面要將複雜的問題依託演算法落地，還要和不懂演算法的領導解釋說明演算法的前世今生，必要時只能是工程師在效率和工期做妥協，因為你是給領導打工的。
優秀的演算法工程師可遇不可求。
9樓：
有種感覺到最後，一般的演算法工程師也就搬搬api，厲害一點的會稍微改改框架，最厲害的估計就是造框架的人了。我不知道這麼高的年薪有多少人是真的值這個價。
10樓：傻傻張
首先需要對演算法有一定的寬度和深度，這個就需要不停的學習，這是工作中的一部分，然後對於特定的問題需要對資料有深入的理解，分析資料是工作中的一部分。coding、上線
11樓：
演算法工程師這個title，感覺是特別忽悠人的乙個職位。
對於多數公司而言，這個職位是懂點演算法的程式設計師。
有些公司，這個職位要懂建模，對程式設計要求很低，對演算法理論要求高一點。
12樓：
當共事的同事不知道什麼是演算法的時候，這就是要命的。
每次你和PM談這個問題演算法可行性的時候，都會深深感覺到溝通的困難，一臉的「演算法是萬能的」。
有一次我問了他們演算法的理解是什麼，他們回答「別人解決不了的，全歸演算法管」。
搞演算法要分析加密演算法是否合理、安全；搞演算法需要分析業務流量是否正常、有沒有受攻擊；搞演算法就是幫別人擦屁股，給他們救火、完成他們沒法完成的事。
我想，這就是業內非專業人士對演算法理解的偏差，也是如今市場招聘對職位的描述千奇百怪的原因吧。
還在工作，匿了。
13樓：
搜尋引擎演算法菜鳥一枚
1、引入新特徵：跑資料-特徵調研-小流量實驗-全瀏覽實驗。
2、上新模型：調參+步驟一
3、搜尋場景的特殊性還會涉及許多非模型訓練的演算法4、新業務開展，如何設計演算法策略架構，怎樣制定方案5、其實演算法工程師不只是純演算法研究，也有許多任務程上的開發要做，qps大了，演算法複雜度高，頻響上來了該如何優化等等
14樓：
首先，我需要：
和運營撕逼需求，拼命解釋」自己是演算法工程師，不是算命工程師，不是你說轉化率要到95%就能到的「
和產品撕逼結果，拼命解釋」結果是經過嚴格的數學證明的，真的不是yy的，自己真的不是路邊算命的轉行過來的「
和老大撕逼排期，拼命解釋」乙個月做10個模型做不完，不不不，5個也做不完，真的不能乙個做完所有需求，不存在這樣的模型「
然後才開始梳理需求，整理可行性演算法，資料整理，資料預處理，模型訓練，模型評估，重新想可行性演算法，，資料整理，資料預處理，模型訓練...
15樓：ersan
提交資料標定，現有模型直接訓練，看訓練效果。通常不好，找原因，資料正負類均衡問題、樣本豐富性問題等，均需要改善。所以，去資料清洗一遍吧。再繼續，估計就是調參啦！
16樓：木子蓮
實在太贊同這個觀點
實際中的演算法工程師：提出假設->收集資料->預處理->預處理->訓練模型->除錯->除錯->重新收集資料->預處理->收集更多資料->除錯->除錯->除錯->...->放棄。
還有就是和天氣做對和光線做對和lens做對和硬體最對和OS做對 KO。
17樓：Hao Wang
理想中的演算法工程師：拿到乙個問題，給出乙個漂亮的formulation，再找乙個好的優化演算法。怎麼多執行緒或者分布式實現一下，然後不斷優化模型
實際中的演算法工程師：詞表，跑資料，詞表，跑資料，詞表，跑資料，詞表，跑資料.....
18樓：
千萬別羨慕
有時幾個月搞不出點東西
天天收集資料，資料預處理，調模，跑資料，調模，重新收集資料，處理資料，跑資料，跑資料，調模，最後發現尼瑪越調越來越看不下去，算了，
19樓：曾傑瑜
圍繞資料、特徵、模型的老中醫！
幾種努力方向：特徵工程、模型工程、引數調優等。
做演算法研究和做工程框架的也不一樣，工業界大規模對後者要求很高，就那麼些神人可以做到。
20樓：七意
理想中的演算法工程師：提出假設->收集資料->訓練模型->解釋結果。
實際中的演算法工程師：提出假設->收集資料->預處理->預處理->訓練模型->除錯->除錯->重新收集資料->預處理->收集更多資料->除錯->除錯->除錯->...->放棄。
資料探勘，機器學習，演算法類工程師招聘要求熟練運用資料庫，這要求有什麼看法嘛？
科科科科 工作以後你發現，一半的時間都在用sql挖feature，而80 的kpi是靠這些feature幫你完成的，說是機器學習組幹的是特徵工程師 微笑臉 Minghia 列幾個和演算法有關的點 1.你需要資料。這回答也許太粗暴了，但作為演算法人員，你總是需要直接去資料庫裡拿資料的，上游給你乙個鏈結...
演算法工程師轉做產品經理怎麼樣？
產品一哥 產品一哥 0基礎如何拿到產品經理offer 0基礎如何拿到產品經理offer 資料分享 資料提取碼 z8nr 0基礎如何拿到產品經理offer 資料分享產品經理求職 面經分享 產品經理求職 面經分享 飛揚 畢業之後的第乙份工作 其實很重要，因為這可能會決定你以後職業發展路徑。按照你自己的描...
如何準備機器學習工程師的面試 ？
vitu 從面試官的角度來寫寫供參考，一般面試官怎麼來看候選人呢？首先肯定是仔細閱讀候選人的簡歷，看候選人的背景和在簡歷中做過什麼樣子的專案，所以請謹慎對待任何你寫到簡歷裡的細節 如果是資深的職位,考察比例 1 專案經驗 60 2 Coding能力 20 3 基礎理論 20 如果是初級的職位，考察比...