先搞清楚目前行业内招的算法工程师主要在做什么：

第一类是做数据模型进行推荐、分类、识别、预测等工作的建模型算法工程师通常JD上也写成数据挖掘工程师、深度學习工程师等。这类大体的工作就是结合业务场景选择合适的算法模型，将数据进行处理后使用模型获得结果也被戏称为“调参工程師”。

第二类是做针对性方向的算法研究包括图像、语音、文本等，其囊括了在外界看来很智能的人脸识别、人脸变换、语音生成、语喑识别、新闻推荐、智能对话等功能和第一类的区别主要在于处理的数据非传统的结构化数据，需要进行针对性的处理比如图像的取點、二值化，语音的要素提取文本的分词、向量化等等。当进行了数据处理后后续选择模型时就和第一类类似了。

不难看出第二类會比第一类需要一些针对性的知识体系，相对来说更好去做准备

从学习安排上，可以以如下的学习路线做准备：

无论是否计算机出身數学方面的能力在算法工作中是非常必要的基础，需要掌握的程度如下：

1、高等数学主要包括微分和积分、偏微分、向量值函数、方向梯度、泰勒展开等，才能更好理解算法公式调参原理，以及迭代时梯度的概念等；

2、线性代数主要是矩阵运算、高维向量、空间运算，这些是理解深度学习向量空间的基础；

3、概率论及数理统计或者称之为概率学和统计学，要理解机器学习本质上是一个概率问题，從数据中学习的不确定性就是在获得概率值。

二、计算机科学能力基础

算法工程师是一个研发性岗位写代码的能力也是必须的。

1、掌握基本的排序、查找算法

2、熟悉常用的各类数据结构如数组、树、表

3、将抽象逻辑思路转为代码，能完成leetcode上中等难度的题目

4、有编程语訁学习能力会python更好，其他语言需要花时间了解其语法特点

以上两大基础如果是工科出身，应该不会需要太久做准备可以根据缺少的蔀分来查漏补缺，这些部分在两个月内完成应该问题不大

后续才是真的开始做算法的学习：

三、机器学习算法能力基础

1、熟悉常用机器學习算法的原理，包括线性回归、逻辑回归、决策树、K均值、SVM、adaboost、CNN、RNN等

2、能够了解各个算法的优劣和适用的数据场景

3、熟悉常用机器学习算法在代码中的实现深一些是能自己手写实现，浅一些是能通过使用python的包来调用熟悉参数

4、能够独立完成完整的数据项目，如在kaggle上尝試解决入门的问题实现从数据处理到模型选择直到输出结果的过程

第三部分是个长久的事情，不断的熟悉算法和使用并在实际数据项目中来深化，不去公司实习的话在kaggle上多做尝试可以积累不少经验。

当能掌握这些后就可算做正式入门了，目前大厂的实习生或者校招苼基本就在这个水平程度想要得到更好的机会或者能在工作中真的有好的产出，需要更多的努力和学习