先搞清楚目前行業內招的算法工程師主要在做什么：

第一類是做數據模型進行推薦、分類、識別、預測等工作的建模型算法工程師，通常JD上也寫成數據挖掘工程師、深度學習工程師等。這類大體的工作就是結合業務場景，選擇合適的算法模型，將數據進行處理后使用模型獲得結果，也被戲稱為“調參工程師”。

第二類是做針對性方向的算法研究，包括圖像、語音、文本等，其囊括了在外界看來很智能的人臉識別、人臉變換、語音生成、語音識別、新聞推薦、智能對話等功能。和第一類的區別主要在于處理的數據非傳統的結構化數據，需要進行針對性的處理，比如圖像的取點、二值化，語音的要素提取，文本的分詞、向量化等等。當進行了數據處理后，后續選擇模型時就和第一類類似了。

不難看出，第二類會比第一類需要一些針對性的知識體系，相對來說更好去做準備。

從學習安排上，可以以如下的學習路線做準備：

一、數學能力基礎

無論是否計算機出身，數學方面的能力在算法工作中是非常必要的基礎，需要掌握的程度如下：

1、高等數學，主要包括微分和積分、偏微分、向量值函數、方向梯度、泰勒展開等，才能更好理解算法公式，調參原理，以及迭代時梯度的概念等；

2、線性代數，主要是矩陣運算、高維向量、空間運算，這些是理解深度學習向量空間的基礎；

3、概率論及數理統計，或者稱之為概率學和統計學，要理解，機器學習本質上是一個概率問題，從數據中學習的不確定性，就是在獲得概率值。

二、計算機科學能力基礎

算法工程師是一個研發性崗位，寫代碼的能力也是必須的。

1、掌握基本的排序、查找算法

2、熟悉常用的各類數據結構，如數組、樹、表

3、將抽象邏輯思路轉為代碼，能完成leetcode上中等難度的題目

4、有編程語言學習能力，會python更好，其他語言需要花時間了解其語法特點

以上兩大基礎，如果是工科出身，應該不會需要太久做準備，可以根據缺少的部分來查漏補缺，這些部分在兩個月內完成應該問題不大。

后續才是真的開始做算法的學習：

三、機器學習算法能力基礎

1、熟悉常用機器學習算法的原理，包括線性回歸、邏輯回歸、決策樹、K均值、SVM、adaboost、CNN、RNN等

2、能夠了解各個算法的優劣和適用的數據場景

3、熟悉常用機器學習算法在代碼中的實現，深一些是能自己手寫實現，淺一些是能通過使用python的包來調用，熟悉參數

4、能夠獨立完成完整的數據項目，如在kaggle上嘗試解決入門的問題，實現從數據處理到模型選擇直到輸出結果的過程

第三部分是個長久的事情，不斷的熟悉算法和使用，并在實際數據項目中來深化，不去公司實習的話，在kaggle上多做嘗試可以積累不少經驗。

當能掌握這些后，就可算做正式入門了，目前大廠的實習生或者校招生基本就在這個水平程度，想要得到更好的機會或者能在工作中真的有好的產出，需要更多的努力和學習。