算法岗学习路线

一、算法岗前言

最近真的好多同学来问，我想转算法工程师，有没有一个完整的算法岗的学习路线？在星球里面回答问题的时候，被问到最多的问题就是「算法岗的学习路线」。

别急今天，今天它就来了。

如果很多小伙伴，还不知道什么是算法岗的，建议大家先看看，我之前的精华文章：

“算法岗是什么？我适不适合算法岗？选什么算法岗？”

先了解一下算法岗的工作内容，确定自己的算法岗研究方向。

在今天的文章中，我会带着大家看看，我们需要学些啥，我甚至还收集整理了配套视频和资料，这期文章有用的话，别忘点赞哦！

二、算法岗的学习路线

主要分为 5个部分：数学理论基础、编程代码能力、机器学习基础、AI项目实战，算法岗位面试，后面两个暂时没时间了！

1、数学理论基础

在机器学习算法中，因为会涉及到大量的张量运算，什么是张量的运算？说白了就是多维的矩阵运算，因此涉及到最为重要的数学基本知识有两个：线性代数和概率论。

这两也是大学的必修课了，如果知识早已还给老师，也没关系，哪里不会学补哪里。

线性代数研究的是线性空间的性质，数据通常会被表示为欧式空间中的点，而这些点经过一系列变换后会映射到另一个空间，在新的空间中隐藏在数据中的规律才得以显现。

所以线性代数作为研究空间数据的一门科学，是入门机器学习的重要基础之一。

1）线性代数推荐学习视频：

MIT 的老教授 Gilbert Strang 的线性代数视频课程B站：https://www.bilibili.com/video/BV1zx411g7gq?from=search&seid=8130405528296931788

没学过线代的同学会发现这门课程，讲得清晰而且直观，深入线代的精髓，完全不是那种理论堆砌的讲法，而且老教授幽默风趣，很有人格魅力。英文不好，也不用担心，字幕是中文的。

2）推荐线性代数学习教材：

《线性代数及其应用》，作者是 David C. Lay 。喜欢看书的朋友，这本书一定不能错过。这本书详细地介绍了线性代数在几何学、计算机图形学、经济学、概率论、信号与系统、微分方程等领域的应用，给人以直观的认识。

仅仅是看视频的话是不够的，因为算法工程师在日常工作中，甚至成果中，你需要看最新的成果论文，因此看纸质版资料的感觉，一定要把持，这也是为什么算法岗基本都得是硕士！

网盘链接：https://pan.baidu.com/s/1FOIculU-UajgRt7O-YNdtg提取码：qyqx

相比于线性代数的计算，概率论则是研究不确定性的一门科学，生活处处是概率。机器学习算法需要对现实情况建模，自然是少不了将概率论作为工具。

判断一副图片到底是不是猫或者狗的概率80%，20%，这个百分比，就是概率论的知识计算出来的。

概率论这门课入门其实并不难，大家可以挑一本评分还可以的书开始学习。

这里推荐陈希儒的《概率论与数理统计》，讲得很详细，如同听一个老者回忆自己的概率与统计心得，相信读者也会有所收获。

链接：https://pan.baidu.com/s/1tROP80-QxRayF74oJ2hzRQ提取码：qyqx

如果时间充裕，千寻还是建议大家先学好数学基础。如果时间不够，那就跳过数学基础部分，学算法的时候，哪里不会补哪里。当然跳过数学部分，适合于你马上想找工作的同学，但是扎实的基础才是王道。

PS：视频与教程不需要逐字逐句的看，只要能知道公式的用法，类似数学期望的计算，在实际的算法模型计算中不会涉及特别细致的内容！

2、编程能力

编程语言，需要至少掌握两门， Python 和 C++。工作中，Python语言主要用于处理数据、算法调研、模型训练的工作，而 C++ 则是负责工程落地。

算法工程师，需要针对落地场景，对算法的可靠性和实时性等方面进行优化，C++ 工程能力必不可少。

1）python代码能力：

Python是一门非常友好的编程语言，不但易于入门而且功能强大，在进行机器学习算法开发的过程中会大量使用 Python。

Python基础笔记专栏：

廖雪峰python学习笔记链接：https://blog.csdn.net/datawhale/article/category/7779959

Python基础视频课程：南京大学python视频教程链接: https://www.icourse163.org/course/0809NJU004-1001571005?from=study

另外学习编程来说，进行实际的编程实战是最好的老师，比如在学习 Python 的时候，可以找一个自己喜欢的方向，去实战。

不一定必须是算法岗位的方向，Python是一门胶水语言，人生苦短，我用Python！其实Python还可以做爬虫，以及数据分析等多个功能，真的没必要只看算法部分！

边实战，边学习。比如写爬虫、做小游戏、玩各种有趣的算法等。培养对Python的兴趣，因为学习编程其实一种“智力层面的否定”的感觉，能坚持下去的话，需要依靠兴趣坚持的。

进阶Python教材 ：推荐《流畅的Python》

《流畅的Python》这本书看完有些难度，但是哪来当个手册用，很方便，哪些语法忘记了，翻阅一番，必能有所收获。但是我个人认为，这本书的难度有点太高，讲得知识点有一点过于细致，有研究细致点的时候，不如多刷刷Leetcode。

2）C++代码能力：

C++是一种面向对象的程序设计语言，无论你是做算法，还是做开发，亦或者是做测开。C++ 都应该掌握，它是一个基础的编程语言。学会了这门编程语言，再学其它，就会更得心应手。

C++课程学习视频：这部分推荐B站上的黑马程序员的课程，这个课程是2019年发布的，到今天在在B站上已经有约3000万的播放量了，我自己也看了一遍，比较适合零基础的新手。

而且针对算法工程师来说，算法工程师还是核心是Python，在模型部署时会写一部分的C++代码。因此将这个视频看完，C++基本算是入门了。

C++语言教材：首先肯定推荐的是被誉为“圣经”的《C++ Primer中文版（第五版）》，经典巨著，非常棒的书。

C++ Primer中文版（第五版）配套的笔记github链接地址： https://github.com/applenob/Cpp_Primer_Practice

3）深度学习部署加速框架学习

我们在实际的模型部署中，使用Python进行部署是不够的，因为我们在工业级的算法模型应用中，Python部署的模型应用，推理的速度太慢了。

在这里我们解释一下，工业级别的算法部署是什么含义？就是实际我们生活中的应用场景，部署在无人驾驶，智能交通等各类工业级别应用的项目模型。

普通的算法模型调用时间太慢，无法满足高性能的应用，因此需要对模型结构进行优化加速，除了模型压缩的技术外，我们大部分时候使用的是加速框架的优化。比如腾讯的NCNN加速框架，目前工业界使用更为广泛的是Google的TensoRT框架。

TensorRT等加速框架应用教程：

github社区：https://github.com/shouxieai/tensorRT_Pro

4) LeetCode刷题方法

编程语言基础学完了，接下来就是数据结构与算法。数据结构与算法是程序员的内功，每一个工程师的必修课。

数据结构的学法，我推荐是直接看书，一边学习一边刷题，同时进行，这样学的速度快。推荐一个有趣的算法入门书，非常易懂，强烈推荐，《算法图解》。

《算法图解》链接：https://pan.baidu.com/s/1W_1Ae-684ZKB5HeriRa9rA提取码：qyqx

其实明人不说暗话，程序员的工作辛不辛苦？辛苦，累不累？累！为什么坚持做，高薪啊！所以我们其实转行算法岗位，我们直接面向面试学习。

只要是互联网的面试，那么必须要过得一关就是刷题关！也是不好过的一关！在这里如果说，是零基础的同学，千寻哥推荐给大家先去Leetcode官网刷题，刷什么呢？

先精刷《剑指Offer》，这个是题库里面最基础，最重要，别急，我送大家一本剑指Offer的全解图书，由大企业的面试官进行编程题的精讲。

剑指OFFER 名企面试官精讲典型编程题 第2版

链接：https://pan.baidu.com/s/1xNjDjEEUiVfI2LKyu43KIQ提取码：qyqx

两门书一起看，轻松入门数据结构与算法。

把《剑指Offer》讲解的代码全部都看懂后，想进阶学习，进一步学习，直接上 LeetCode官网进行刷题即可。

力扣可以从 HOT 100 或 精选算法 200 题刷起，题目相对于《剑指Offer》要增加一些难度，但每道题目都有对应的解题思路和答案。坚持刷完 200 道，大多的面试轻松搞定，完全够用。

刷题地址：https://leetcode-cn.com/

Tip：刷一遍题，回头看还会忘，不要怀疑自己，要反复刷，反复练习。

这个就是我说的“智力层面”的自我否定，但是真的不用担心，这是正常的现象，我亲自问过ACM竞赛拿金牌的人，他们说就算是他们，也是经常会出现这样的问题的。所以各位同学真的不需要自我怀疑！

3、机器学习基础

恭喜大家，在做了前面这么多基础工作之后，终于可以开始入门机器学习算法了。首选你需要选择一本机器学习的理论书籍。

机器学习视频课程：推荐吴恩达老师的机器学习视频，吴恩达是整个领域的巨头之一，学术地位很高。同时，他出的视频也对新手非常友好，入门的不二之选。

B站链接：https://www.bilibili.com/video/BV164411b7dx/?from=search&seid=6163277631324258577&vd_source=6aac2815798920ec195cd474dee83537

理论教材：还是那句话，光看不练是不行的。推荐机器学习的“圣经”，虽然周志华老师的西瓜书其实已经很老了，但是个人认为，这还是入门深度学习以及机器学习的不二选择。

网盘链接：https://pan.baidu.com/s/1q5ssLPz2M37C-afiIVkOzw提取码：qyqx

但是单单是有《机器学习》的理论教材还是不够的，学习编程，大家就记住一句话，纸上来得终觉浅，绝知此事要躬行。看理论看得再多，也不如自己实操一遍。在这里给大家推荐的是李沐大佬的《动手学深度学习》

书籍的电子版: https://zh.d2l.ai/书籍代码：https://github.com/ShusenTang/Dive-into-DL-PyTorch

4. 深度学习基础

深度学习是现在的算法工程师绕不开的一个子领域，是机器学习的子集。

深度学习教材：说实话，深度学习，我并没有看过书，都是视频+ Github 开源项目学习的，不过被誉为深度学习领域圣经的“花书”，可以备一本。

深度学习框架：

深度学习框架有很多，Tensorflow、Pytorch、Paddle、MXNet、Caffe等。目前的大厂，基本上使用最为广泛的就是 Pytorch深度学习框架，其次是 Tensorflow 2.0 在这里吐槽一下，TensorFlow 2是真的难用！

（如果真的是零基础，比如刚刚保研，想要入门机器学习的，建议无脑torch框架）

新手上手，推荐先学 Pytorch，可以直接看 Yunjey Choi 大佬的 Github 教程，

简单入门项目地址：https://github.com/yunjey/pytorch-tutorial

作为一名优秀的程序员，使用pytorch框架必须要看框架的官方文档！

pytorch官网地址: https://pytorch.org/

四、算法岗路线学习总结

这篇文章整理的是我的互联网大厂的算法岗的学习路线。

如果你想去一家不错的公司，但是目前硬实力不过关，我觉得还是有必要去努力一下的，技术能力的高低决定你能走多远，平台的高低，决定你能飞多高。

如果可以通过自己的努力，进入自己心仪的公司，一定不要松懈怠慢，职场成长和学习新技术一样，不进则退。

你往往会发现，身边实力越强的人越努力，最高级的自律就是享受孤独。

本来打算将完整的算法岗学习路线放在一篇文章里，但是千寻在写的过程中却发现，一不小心写了这么的长…

不过同学们不用担心的，千寻自己也没有全学完，但是我有囤学习资料的习惯，真的不需要全部都学，每样走马观花的看。知道是做什么的即可，转行不会很轻松，需要坚持！

五、AI项目实操检验

1、算法竞赛部分

在这里我们所说的算法竞赛，通常是指的是人工智能算法竞赛，可能还是会有同学以为是Leetcode算法竞赛，算法的概念是指解决方案的方法。普通的排序也是算法，但是我们现在说的是AI算法部分。

通常业内比较具有认可度的AI算法竞赛，比如，阿里天池竞赛，Kaggle算法竞赛。

1）百度飞桨AI大赛

2）阿里天池竞赛

3）Kaggle算法竞赛

这里算法竞赛的特点：

首先真的难度不低，比较有含金量，尤其是Kaggle能拿个金牌真的很有认可度。

除此之外，一些公司比如百度，科大讯飞，也会举办算法竞赛让参与者提供算法的解决方案，这些比赛很多都是来源于实际的问题，这些比赛如果能拿到好的名次，大型比赛直接给Offer，即使不能直接offer，一般可以“免笔试”。

但是也不能光说这些比赛的好处，这些比赛我觉得性价比也不是那么高，建议老铁们拿一个奖项就跑路。为什么？

AI算法竞赛的缺点：

打比赛难度真的不小，容易对学习产生厌恶心理，花费了好多时间，最后收获的效果甚微，心态很容易崩。

同时即使你天赋异禀，一下子冲进了排行榜的前三名，“多疑”的性格会让你有事没事就想查看你的榜单位置，每天刷新榜单，压力真的是特别大！

算法竞赛的学习建议：只要拿一个奖项就可以结束了，面试的过程中，也只是会问你的算法创新点。但是这种比赛的创新点，一般都是来源于其他的竞赛方案，所以很多都是通用的tricks，可能不是特别的新颖，但是很实用。

2、经典AI项目练习

关于AI项目的话，我推荐我在星球写的两个专栏，《玩转ChatGPT教程》，《AI算法毕设智囊袋》，里面记录了很多的AI算法教程，后续我会加入《搜广推算法基础教程专栏》。下面还是推荐给大家一点资料，算是项目实践的教程的教材。

1）21个项目玩转深度学习

链接：https://pan.baidu.com/s/152XNY_Je3qowFz-1hqJm5A提取码：qyqx

这本书虽然是TensorFlow框架写的，但是项目真的很全，包括图像识别，目标检测，以及深度循环网络，强化学习都有所涉及！

2)经典项目的学习经典

• 手写数字识别（MNIST）
• 猫狗图像分类
• 基于情感的文本分类
• 图像生成
• 基于深度学习的推荐系统

3、算法岗业务需求内容

估计很多同学会好奇，算法岗的日常工作是什么？我们学得的这些项目到底是什么用处的？算法岗日常搬砖效果基本也差不多，比如后端开发的日常基本是写数据接口，和其他开发以及测试进行联调，如果用思维导图的形式表示开发的关系角色图：

那么算法工程师的关系思维导图就是这样的：

对比两幅关系图，能感觉到似乎算法工程师确实比后端开发更轻松一点，是的！一个公司最忙的就是后端开发！

算法岗的开发接口就算是崩了，但是知识影响赚钱的效果，不会影响用户体验，比如前几天的语雀实践，真的是很恐怖的，七个小时的宕机，估计至少几个总监改卷铺盖卷走人！

下面我们正式说算法开发的需求内容，以不同的对接人来讲会更加具有针对性。

1）处理数据集数据：（算法开发—数据开发）

关于处理数据集数据，一般来说由于数据开发人员帮你收集到训练数据是有问题的，掺杂脏数据。你作为算法工程师，要转换成可以进行模型训练的数据集格式并且去除“脏数据”。

算法工程师需要写一些处理脚本代码，一般来说是Python代码，将数据格式进行转换。转换成模型训练可以接受的数据格式，因为不同的数据模型所接受的数据集格式是不一样的。例如CV领域的coco数据格式，yolo数据格式…

2）最新算法调研：（算法开发—产品经理）

最新的算法调研，为什么是和产品经理对接？我跟同学们讲一下，一般来说，算法岗自己是对自己算法非常有信心的，但是大部分时候，产品经理通过运营那边反应过来，觉得我们算法的点击率和转化率效果并不好，然后产品经理为了提高产品的性能，会Push算法工程师。

让你研究最新的算法模型，有没有什么更优的解决办法，提高转化，帮我们赚到更多钱，算是跟产品经理的对接。

3）模型训练部署：（算法开发—后端开发）

模型训练部署，这个是算法工程师在公司在日常互联网工作的核心工作了。比方我们现在需要开发一个识别海船的无人机上的识别算法，你需要找到模型识别模型，去进行训练，一般大公司都会有自己的模型训练平台，但是使用的人会非常的多。

模型训练系统会有自动调度模块，在大公司训练模型时间也是很长的，往云存储平台进行数据导入，还会禁止你做一些不该干的事情，哈哈哈，比如挖矿。

这种大型GPU训练平台的审批，一般来说都是要非常大领导通过才可以使用。模型训练好后，你需要去写HTTP的请求接口，后端是经常使用URL进行请求访问，给后端开发提供post或者get请求调用，后端开发会拿着接口嵌入到我们的业务系统里面，完成了一个最基本需求开发。

六、算法岗面试心经

1、算法岗八股文

算法岗面试来说，因为岗位的特性，所以面试的八股文要求比较高，因为需要有扎实的理论基础。一般来说，八股文的考察包括两方面，机器学习通用基础以及推荐系统的专业知识。

简单来说，是你面试的算法工程师类别，CV，NLP，推荐或者是目前的多模态大模型。基础的机器学习基础八股文考察，以及专项方向的基础八股文考察。

以上的题目是对面试八股文的简要阐述，实际的面试题目覆盖要广泛的多，需要不断通过面经进行积累的。

2、coding题目解答

这个在之前的代码考察中，已经提到了，需要刷Leetcode，一般来说，刷剑指Offer的75道题目，热题100道。但是算法工程师还需要掌握一些基本的简单算法。

比如实现一些激活函数，一些优化器，这也是算法工程师面试的code考察范围。

3、 算法论文成果

算法岗位与开发岗位在面试上的区别最明显的一个是，算法岗会有论文的交流环节。在这里给大家提一句：

面试算法岗必须要有顶会论文吗？

我可以负责的回答：真的不是，反而大家基本都是被这句话劝退了，去卷开发岗了，现在java的求职行情甚至比算法岗的行情还要卷！但是面试算法岗没有顶会论文，需要有论文吗？

个人建议需要有！大部分卷算法岗的同学都是硕士以上的，本身毕业也是需要论文的，因此有一篇论文其实要求并不算过分的。

有论文代表了，你对模型有实实在在的改进能力，并且能够书写于文面。因为大部分的顶会论文都是需要不错的英文能力的，这个也是对你英文能力的间接验证。论文成果的介绍如下图所示:

差不多就是这些，后续我会给大家更新大厂面试心经，不是仅仅问题题干那种，而是带有完整的解析的。总之我们的目的就是进入大厂学习工作，赚钱！加油！