1樓：閒者
底層強於應用層，硬體強於軟體，演算法強於介面，設計強於編碼，
當然僅僅只是說對經驗的需求程度，樓上說的對，融匯貫通才是王道，注意是融匯貫通不是全而不精
2樓：文刀叉點
根據我一些工作了的朋友的看法
你沒有那些經歷的時候扯再多都是紙上談兵
只有你自己介入到了那個行業之後，才會知道有沒有發展潛力另外，你如果真的在行業裡幹了一兩年兩三年了，想要跳槽其實挺容易的，當然這取決於你是不是有真本事
3樓：張少華
僅就機器學習領域談一下。個人認為這個領域需要很多積累，門檻也比較高。僅僅能達到工業應用都已經需要相對較高的知識積累。
而發明新的通用優化演算法世界Top20的PHD畢業生都很難完成，更惶恐普通高校的應屆畢業生。乙個需要終身學習的行業，是不會隨便被新人替代。
4樓：
我還很年輕，既然邀我，就強答一下。
我覺得沒有哪個技術方向是要讓你做一輩子的。新業務，新技術，新人，都需要那些從舊世界走過來的老兵，扛基礎，指方向。這個跟體育界很像，閃耀的當然是最年富力壯的運動員，但是老運動員特別是隨球隊打過大仗的老兵是很有價值的，而且即便退役了也可以立即轉入教練團隊繼續發揮作用。
5樓：Franck Li
所謂越老越吃香，關注點不是年紀大，而是「經驗豐富、業務能力強、能解決各種疑難雜症」等伴隨年齡增大、資歷增強而帶來的個人能力出色。
當一天鐘撞一天和尚的老員工就算了吧
最數學的電腦科學方向有哪些？
劉夢源Mayo 現在回答這個問題，得說是ml theory了，十年前的話，還沒必要加上theory。那時候是個做ml的都有著卓爾不群，優雅從容的數學能力，各種optimization和prove全部信手拈來,真乃計算機界的一股股清流。 polossk 說兩個個人體會比較多的。ml，經典的方法，大多有...
關於深度學習（計算機視覺方向），需要學習哪些知識？
永無止境 基礎的深度學習模型，應該是需要掌握的。建議從分類任務開始，慢慢拓展到物體檢測這種較難的任務。一些基礎性的網路結構包括 相較於傳統全連線的神經網路，卷積神經網路的引數更少，遭遇過擬合的風險更低。卷積神經網路 相較於普通的卷積神經網路，殘差網路更易於訓練，層數容易更深。殘差網路 最後，相較於普...
電腦科學與技術專業有哪些就業方向，怎麼才能學好它？
慢慢來 我是個遊戲策劃，總是會先講設計目的。所以我覺得這個問題還是落到目的之上。也就是你內心所求是什麼，這個是最先要弄清楚的。我報考大學時當年面對那麼大一坨的學校，更大一坨的專業選擇，我也略迷茫。我琢磨了一下，感覺，要不先別選這些東西。先想一下將來我想做什麼工作。這個問題很簡單，我想做遊戲。1秒就回...