算法工程师技能表

1
2
3
4
5
6
7
8
9
10
11
12

graph TD;
    数学高级-->创造
    算法高级-->创造
    设计-->业务初级
    设计-->数学初级
    设计-->算法高级
    实现-->数学初级
    实现-->编程高级
    实现-->算法初级
    算法初级-->应用
    编程初级-->应用
    业务高级-->应用

算法工程师分类

• 算法创造工程师：研究算法，算法创新、模式创新，发表论文
• 算法设计工程师：应用算法，算法选择、模型设计，建立模型
• 算法实现工程师：实现算法，构建工业级别的代码库(保证质量、性能和可用性)
• 算法应用工程师：推广算法，算法快速、稳定、高效地在项目中实施

算法技能分类

数学初级：微积分、线性代数、概率与统计

数学高级：数值分析、泛函分析、随机过程

算法初级：线性回归模型、线性分类模型、朴素 Bayes 模型

算法高级：神经网络、支持向量机、深度学习

编程初级：软件开发、系统集成、项目实施

编程高级：体系结构、操作系统、分布式计算

模式识别流程图

1
2
3
4
5
6
7
8

graph LR
    问题描述 --> 数据准备
    数据准备 --> 特征提取
    特征提取 --> 模型选择
    模型选择 --> 代价函数
    代价函数 --> 参数估计
    参数估计 --> 模型评估
    模型评估 --> 模型上线

• 问题描述：有监督 ( 回归、分类、标注 ) 、无监督 ( 聚类、降维 )
• 数据准备：数据采集、数据归一化
• 特征提取：特征映射变换
• 模型选择：线性模型、非线性模型、统计模型、深度模型
• 代价函数：L2 范数、L1 范数、似然函数、后验概率、交叉熵
• 参数估计→寻找最优参数：最小二乘估计、最大似然估计、最大后验估计、
• 模型评估：准确率、召回率、F1 指标、交叉验证
• 模型上线：

1
2
3
4
5

graph TB
    评价分类器 --> 采集数据
    评价分类器 --> 选择特征
    评价分类器 --> 选择模型
    评价分类器 --> 训练分类器

1
2
3

graph TB
    先验知识 --> 选择特征
    先验知识 --> 选择模型