来源：AI科技大本营
2018 年，人工智能在各行各业中的落地应用越来越多。十多年前，所有的企业都在想办法互联网化，如今，所有的互联网企业都在试图 AI 化。
技术的竞争归根结底表现为人才的竞争，毫无疑问 AI 工程师是 IT 行业需求缺口最大的高端技术岗位，薪资水平虽远高于其他行业，但 AI 工程师依然供不应求。
除了高校里科班出身的相关专业毕业生，有代码经验的转型程序员也广受 AI 公司的欢迎。
据招聘网站的数据统计显示，最高薪酬的 56 个岗位 ( 分为：60-100 万、100 万 + ；两档 ) ，要求硕士以上学历的岗位有 30个，比例 53%，比 AI 工程师中硕士学历要求的平均比例 28.6%，高出一倍。
对于 AI 相关的技术岗位，30 万 - 60 万年薪基本上是比较主流的收入水平，相较于其他技术岗位，基本上是 8 年以上工作经验的架构师的收入水平。
图片来源：腾讯科技
目前也被称之为机器学习算法工程师最好的时代，各行业的需求都非常旺盛。典型的领域包括以下几个细分行业：
推荐系统：解决海量数据场景下信息高效匹配分发的问题。无论是候选集召回，还是结果排序，以及用户画像等方面，机器学习都起着重要的作用。
广告系统：和推荐系统相类似，但也有显著的差异，需要在考虑平台和用户之外，同时考虑广告主的利益，两方变成了三方，使得一些问题变得更加复杂。
搜索系统：搜索系统的基础建设和上层排序方面，均大量使用了机器学习技术。在网站和 App 中，搜索是非常重要的流量入口，因此，机器学习对搜索系统的优化会将对整个网站产生直接的影响。
风控系统：互联网金融风控是近年来兴起的机器学习的又一重要战场。运用机器学习的能力可以很大程度上决定一家互联网金融企业的风控能力，而企业风控能力又是其业务保障的核心竞争力。
所谓 “工资越高，责任越大” ，企业对于算法工程师的要求也在逐渐提高。因此，营长就来聊聊机器学习算法工程师的学习与成长路线，并给出一些学习的建议和资料。
机器学习算法工程师必备的能力项
成为一名合格的开发工程师不是一件简单的事情，需要掌握从开发到调试到优化等一系列能力，其中每一项都需要足够的努力和经验才能够掌握。
想要成为一名合格的机器学习算法工程师（以下简称算法工程师）更是难上加难，这需要在掌握工程师的通用技能以外，还要掌握一张不算小的机器学习算法知识网络。
图：CSDN《 AI 技术人才成长路线图 V1.0 》
下面，我们就将如何成为一名合格的算法工程师所需的技能进行拆分，一起来探究需要掌握哪些技能，才能算是一名合格的算法工程师。
01：基础开发能力
所谓算法工程师，首先需要是一名工程师，那么就要掌握所有开发工程师都需要掌握的一些能力。在多数企业的职位中，算法工程师需要负责从：“算法设计到算法实现再到算法上线”，这一个全流程的工作。
02：概率和统计基础
概率和统计可以说是机器学习领域的基石之一，从某个角度来看，机器学习可以看作是：建立在概率思维之上的，一种对不确定世界的系统性思考和认知方式。
学会用概率的视角看待问题，用概率的语言描述问题，是深入理解和熟练运用机器学习技术的最重要基础之一。
在统计方面，一些常用的参数估计方法也需要掌握，典型的如最大似然估计、最大后验估计、EM 算法等。
这些理论和最优化理论一样，都是可以应用于所有模型的理论，是基础中的基础。
这些分布贯穿着机器学习的各种模型之中，也存在于互联网和真实世界的各种数据之中，理解了数据的分布，才能知道该对它们做什么样的处理。
03：开发语言和开发工具
近年来， Python 可以说是数据科学和算法领域最火的语言，主要原因是它使用门槛低，上手容易，具有着完备的工具生态圈，同时各种平台对其支持也比较好。
但是在模型训练方面，有一些更加专注的工具可以给出更好的训练精度和性能，典型的如 LibSVM、Liblinear、XGBoost 等。
大数据工具方面，目前离线计算的主流工具仍然是 Hadoop 和 Spark，实时计算方面 Spark Streaming 和 Storm 也是比较主流的选择。
04：机器学习理论（最重要）
虽然现在开箱即用的开源工具包越来越多，但并不意味着算法工程师就可以忽略机器学习基础理论的学习和掌握。这样做主要有两方面的意义：
掌握理论才能对各种工具、技巧灵活应用，而不是只会照搬套用。只有在这个基础上才能够真正具备搭建一套机器学习系统的能力，并对其进行持续优化。
否则只能算是机器学习搬砖工人，算不得合格的工程师。出了问题也不会解决，更谈不上对系统做优化。
学习机器学习的基础理论的目的不仅仅是学会如何构建机器学习系统，更重要的是，这些基础理论里面体现的是一套思想和思维模式，其内涵包括概率性思维、矩阵化思维、最优化思维等多个子领域，这一套思维模式对于在当今这个大数据时代做数据的处理、分析和建模是非常有帮助的。
如果你脑子里没有这套思维，面对大数据环境还在用老一套非概率的、标量式的思维去思考问题，那么思考的效率和深度都会非常受限。
