实际工作中，算法工程师需要哪些技能？

需要了解

如果你正在考虑一个机器学习工程师的职业生涯，那么你应该明白两件非常重要的事情。

首先，这不是一个“纯粹的”学术角色。你不一定要有研究或学术背景。

其次，只有软件工程或数据科学的经验还不够。理想的情况下，你需要同时拥有这两种技能。

了解数据分析师和机器学习工程师之间的差异也至关重要。简单来说，他们关键的区别与最终目标有关。作为数据分析师，您需要分析数据，以便讲述故事，并产生可操作的见解。重点是传播图表，模型，可视化。分析由人类执行并呈现给其他人，然后他们可以根据所呈现的内容进行业务决策。这一点尤为重要 - 您的输出的“观众”是人。

另一方面，作为机器学习工程师，您的最终“输出”是工作软件，您的“受众”对于此输出通常由其他软件组件以最少的人力监督自主运行。产生出的智能仍然是可操作的，但在机器学习模型中，机器正在做出决策，影响产品或服务的行为。这就是为什么软件工程技能对于机器学习的事业来说非常重要。

理解生态

在进入具体的技能之前，还有一个要解决的概念。作为机器学习工程师需要了解您正在设计的整个生态系统。假设您正在为一家杂货连锁店工作，该公司希望根据以往购买客户的历史记录开始发行目标优惠券，目的是产生购物者实际使用的优惠券。在数据分析模型中，您可以收集采购数据，进行分析以确定趋势，然后提出策略。机器学习方法将是编写自动优惠券生成系统。但是写这个系统需要什么，并且有效吗？您必须了解整个生态系统的库存，目录，定价，采购订单，单据生成，销售点软件，CRM软件等。

现在，我们来了解一下机器学习工程师所需要的真实细节。分为三个主要部分：技能摘要，语言和库，工程实现。

技能摘要

计算机基础和编程。计算机科学基础对于机器学习工程师来说重要，包括数据结构（堆栈，队列，多维数组，树，图等），算法（搜索，排序，优化，动态规划等），可计算性和复杂性（P vs NP，NP完整问题，大O符号，近似算法等）和计算机体系结构（内存，缓存，带宽，死锁，分布式处理等）。

编程时，您必须能够应用，实施，调整或解决它们（如适用）。练习问题和编码比赛是磨练你的技能的好方法。

概率统计。概率（条件概率，贝叶斯规则，似然性，独立性等）和从其衍生的技术（贝叶斯网络，马尔可夫决定过程，隐马尔可夫模型等）的形式表征是许多机器学习算法的核心; 这些是处理现实世界不确定性的手段。

统计学领域提供各种措施（平均值，中位数，方差等），分布（统一，正态，二项式，泊松等）和分析方法（方差分析，假设检验等） 这是从观测数据建立和验证模型所必需的。许多机器学习算法本质上是统计建模过程的扩展。

数据建模和评估。数据建模是估计给定数据集的基础结构的过程，其目的是找到有用的模式（相关性，聚类，特征向量等）和/或预测以前看不见的实例（分类，回归，异常检测等）的属性。这个估计过程的关键部分是不断评估给定模型的好坏。

根据手头的任务，您将需要选择适当的准确度/误差测量（例如分类的对数损失，回归的平方误差等）和评估策略（训练分析，顺序 vs.随机交叉验证等）。

迭代学习算法通常直接利用产生的错误来调整模型（例如神经网络的反向传播），所以理解这些措施相比于仅仅应用标准算法是非常重要的。

应用机器学习算法和库

机器学习算法的标准实现通过库/包/ API广泛提供（例如，scikit-learn，Theano，Spark MLlib，H2O，TensorFlow等），但是有效地应用它们涉及选择合适的模型（决策树，最近邻，神经网络，支持向量机，混合模型等），拟合数据的学习过程（线性回归，梯度下降，遗传算法，bagging，boosting和其他模型特定方法），以及了解超参数如何影响学习。

还需要了解不同方法的相对优点和缺点，以及一些其他的概念（偏差和方差，过拟合和欠拟合，缺失数据，数据泄漏等）。数据科学和机器学习的挑战，如Kaggle的挑战，是一个接触不同种类的问题及其细微差别的很好的方式。

软件工程和系统设计

在任务结束时，机器学习工程师的典型输出或可交付成果是软件。通常它是一个适合更大的产品和服务生态系统的小部件。当然，大的公司，这部分可能交付给软件研发工程师来做。

您需要了解这些不同的部分如何协同工作，与他们进行沟通（使用库调用，REST API，数据库查询等），并为您的组件构建适合的接口以供其他人依赖。这可能需要谨慎的系统设计以避免瓶颈，并且随着数据量的增加，您的算法可以很好地扩展。软件工程最佳实践（包括需求分析，系统设计，模块化，版本控制，测试，文档等）对于生产力，协作，质量和可维护性是无价的。