算法工程师
来自深度之眼课程
文章目录
面试准备
个人背景
- Type A：有机器学习工作背景，对深度学习感兴趣
- Type B：没有机器学习工作背景，有数据类工作背景
- Type C：没有任何数据背景，没有工程背景，对深度学习感兴趣
截止2019年，互联网算法岗仍是不饱和的，人才供不应求
行情
-
大厂：
BATJM——ML&CV&NLP
-
独角兽：
蚂蚁——ML>NLP&CV
头条——NLP>ML>CV
-
人工智能行业：
商汤——人脸、自动驾驶
旷世——人脸、自动驾驶
小马知行——自动驾驶
方案：
经典面试问题
-
算法题
-
ML、DL知识
纸上推公式可能发生
-
相关项目经历
对引导面试主题有重要影响
重要的是：阐述问题的逻辑性和前后的严密性
面试扣分：
-
简单的算法题
From Leecode
-
难题部分：
注重思路：
-
对算法的理解深度：
决定评级
-
项目经历：
问题分析和解决能力
-
语言表达技巧
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nJmptvtQ-1625888374649)(https://i.loli.net/2021/07/09/xXDyUiJNkd3s4mz.png)]
准备
-
内力：
-
练习基本的算法题，排序题
-
至少读一本ML教材，例如李航**《统计学习方法》、《深度学习》，至少读懂一两个算法**
e.g讲一个你最喜欢的算法
-
认真做一个ML/DL项目，体验从数据清洗、特征工程、模型调优、模型迭代整个建模流程，总结一两个难点、以及你如何应对、解决难点
-
-
外力：
- 通过你的朋友打听哪家公司哪个组缺人
- 打听哪个组的面试难度低，招人要求低
项目
- 从自己公司/部门的算法组找机会合作项目，适用数据类、工程类背景同学
- 算法模型需要集成系统
- 算法需要与数据库、API交互
- 算法可以与前端、UI交互
- 算法落地需要BI、数据分析来发挥商业价值
- 数据挖掘、算法竞赛,包括Kaggle、天池
- Kaggle某些比赛奖励是硅谷公司面试机会
- Kaggle论坛有大量实战学习资料
实施
- 通常做项目周期2~3个月可以学到足够实战的技巧和经验
- 算法编程题可以在面试前一个月刷题
- 算法知识和算法甚础比较需要长的时间学习消化
- 对于有机器学习基础同学跳深度学习岗，可以直接读CV/NLP经典论文，以及最近一年的学术前沿论文
- 对于没有机器学习背景的同学，补数学基础算法基础往往需要更长周期，所以“外力”很重要，了解面试难易度
工作日常
岗位方向
-
机器学习类
-
搜索推荐
e.g 商品推荐、广告等
-
路径规划
e.g 美团、物流等
-
点击率预估
-
-
深度学习类
-
CV
-
NLP
-
算法生命周期
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-T7Y4Fxrr-1625888374651)(https://i.loli.net/2021/07/09/8SgmkKVnYGEH3jU.png)]
-
SPRINT1：
业务转化为算法需求
-
SPRINT2：
数据分析
-
SPRINT3：
模型迭代
-
SPRINT4：
部署、总结、评估、维护
工作时间分配
-
机器学习类
- 数据清洗、分析、特征工程80%时间
- 模型训练与调参10%时间(不计算模型训练运行时间)
- 开会
-
深度学习类
-
数据准备与清洗50%时间
-
模型训练与调优40%时间
不仅仅是调参，包括调整loss函数等等
-
其他10%时间
-
工作量
- 项目多的时候连续加班是常见的，最晚接近零点
- 大厂算法需求更大，项目更多，加班更多有项目的时候每天到公司开始写代码到下班
- 互联网大厂通常提供各种福利，如免费晚餐、加班打车免费、门诊保险
保护：眼睛、颈椎、腰椎、胃
项目实例一
-
美团饿了么公司的app中对用户发放各种类型的补贴/折扣券，其中有一类仅用于指定商家的折扣券，例如麦当劳满30元减4元优惠券。如何制定发放策略，使其比随机发放的下单转化率更高?假如随机发放500万用户，平均转化率0.1%。
-
转化成算法问题
预测用户收到优惠券后的下单概率，按概率从高到低排序，圈定前X%人群发放优惠券。优化指标是预测精度，目标是>0.1%。
-
第一步获取数据、简单分析，了解业务数据大致分布
- 用户画像数据，性别、年龄、地理位置
- 用户行为数据，登陆、浏览、点击、购物车、交易
- 商品类目，一级、二级类目
- 商品价格
- 满减优惠
-
第二步做特征工程：
经过数据分析，我们发现用户交易行为、登陆习惯、优惠券金额等数据影响用户下单概率，特征方向主要考虑
- 商品价格维度、类目维度、交易量维度
- 时间维度，包括近三个月、近一个月、近两周、近三天
- 统计维度，包括均值、方差、极大极小值等
- 登陆频率、最近登陆等信息
- 优惠券折扣金额
-
第三步，跑模型
通常使用GBDT，调整参数做实验。数据量大约1000万至1亿行样本，特征量大约数十个至数百个。模型跑完分析结果，可能出现的情况有
-
模型精度比业务情况高十倍，1%，可能某个特征处理时出现问题造成数据泄漏了，比如每一笔交易的优惠券使用额隐含了这笔交易（Label=1)
-
模型精度比较符合业务情况，稍高于0.1%，分析模型预测结果，迭代
-
模型精度非常低，某类特征过拟合，比如样本中某个城市进行了大力度促销，需要谨慎处理地理位置这个特征
-
项目实例二
-
某炼钢厂流水线上安装摄像探头采集图片，希望通过目标检测判断钢铁生产过程中可能发生的坏点，做到自动化质量控制。钢厂仅提供10张样本图片
-
转化成算法问题
目标检测： -
第一步，分析
分析10张样本，发现可以通过网上某个类似的公开图片集先做实验，下载图片集。如果没有标记，需要自己动手标记或找同事一起标记。
-
第二步，完成数据存储和数据清洗等
-
第三步，建模
- 找一个目标检测的模型框架和github代码实现，先在本地跑通代码，跑通我们的图片集，获得一个baseline分数
- 搜索相似业务场景/类似图片集的论文，找到目前业界的SOTA
- 尝试改进模型，网络结构、loss
- 发现改进效果不佳，读论文找方案，实现论文里的技巧。获得不错的效果
职业晋升前景
晋升路线
互联网算法类工作晋升路线分为管理类/技术类
本科一般P4-P5起步，硕士P5，工作1-3年P6，5年能力强的P7
- 技术类按阿里技术类职级从低到高
- 初级/高级/资深工程师(P4-6)
- 专家/高级/资深专家(P7-9)
- 管理类
- 经理/高级/资深经理(P7-9)
- 总监以上(P9-)
晋升难点
- 普遍对工程能力要求较高
- 管理岗以下升职拼绩效,项目的难易度、重要性会影响拿高绩效的难度
- 能抗压，能坚持高强度写代码
如果你在具备算法开发能力之外，同时具备优秀的沟通能力、或者敏锐的商业嗅觉，不要埋没了你的能力，导找适合自己的职业路线。
前途&钱途
- 钱多的地方
- 小的创业公司，级别也高于大厂，拿股票几率高
- 大厂P6过去带团队，技术止步不前
- 技术上需要试错，成败取决于个人与一定运气成分
- 创业公司管理相对混乱，工作时间可忙可闲，私人时间相对更多
- 前途稳定的地方
- 大厂公司稳定，不会受业绩影响到发不出工资
- 大厂周围牛人多，利于知识积累学习进步
- 大厂跳出去机会更多
强度写代码
如果你在具备算法开发能力之外，同时具备优秀的沟通能力、或者敏锐的商业嗅觉，不要埋没了你的能力，导找适合自己的职业路线。
前途&钱途
- 钱多的地方
- 小的创业公司，级别也高于大厂，拿股票几率高
- 大厂P6过去带团队，技术止步不前
- 技术上需要试错，成败取决于个人与一定运气成分
- 创业公司管理相对混乱，工作时间可忙可闲，私人时间相对更多
- 前途稳定的地方
- 大厂公司稳定，不会受业绩影响到发不出工资
- 大厂周围牛人多，利于知识积累学习进步
- 大厂跳出去机会更多
- 大厂工作内容难免重复机械,做好一枚岗位上的小齿轮，个人时间较少
标签：工程师,ML,模型,就业,学习,面试,算法,大厂 来源： https://blog.csdn.net/weixin_43499292/article/details/118633179
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。