开篇

简介

本人是个搞机器学习和深度学习的菜鸟，啥都懂些！当今在深度学习横行的时代，越来约觉得各类深度学习（强化学习、元学习、迁移学习、图表征学习、对抗学习、multi-view/multi-task/multi-model/multi-label）算法都在讲故事，在工业界一顿操作猛如虎，一看效果0.5（可能还不到），最后包装成一个技术创新的算法。原理啥都不懂，搞一些奇奇怪怪的网络结构，用几个数据集跑下看下效果，提升的时候根本不讲特征工程的作用。各类顶会上灌水的文章一大堆，东拼西凑搞些A模型+B模型=C模型，最后画一个好看的网络图。

吐槽归吐槽，吐槽不代表讨厌算法，因为这种事情本人也做过。对于算法工程师而言，技术创新是必须的，就算提升很少，提出了技术创新也是很好的，主要吐槽一些夸大吹嘘的风气。放在学术界，这种风气可能并不是很大问题，找几个算法适用的数据集跑跑拿到实验效果，找些数据挖掘类理论性证明没有那么高的顶会（水会），如现在的KDD（已经沦落了）。本人一直觉得，对工业界而言（只是工业界，不喜勿喷！），真正有用的算法是这2大类：

1.全新算法。提出了一种创新的思路，创新的领域的方法，这种算法不管说工业界能不能直接用，比如很难大规模使用，但是观点insight啥的很make sense。本人最崇拜的就是LDA的开篇论文，各种理论知识，一开始也很难大规模，后面有学者前赴后继搞出了PLDA等等。当然LDA算法确实是顶尖牛逼的。

2.微创新但有用的算法。在别人的算法上进行创新，稍加修改也好，但是如果真正能够用并且有不错的提升效果也是很牛逼的。毕竟大家都是普通人，不可能每个人都是理论大家，搞出全新的理论算法。

 

工作几年，越来越觉得工业界的算法工程师要注重这3大能力：

1.特征工程。现在的特征工程不仅仅是选特征，也包含了特征对应的模型工程。工业界最提效的其实还是特征，但现在的特征的使用也对应了模型，如常用的序列特征，对用的序列模型，rnn, lstm, transformer等。特征工程做的好，算法的效果90%（甚至不止）都拿到了，最后的最多10%是靠算法本身带来的。

2.数学模型。本人不是学数学专业出身，但对数学有着无比的热情。数学模型的简洁，不跟你讲一堆废话，简单的几个符号就可以说明很多事情。世界上最伟大的公式之一E=MC²，多简洁，就是一个线性表达式，描述了能量和质量的关系。为啥是之一，欧拉公式、三角公式都是伟大的公式。当然对于算法工程师来说，不用那么懂理论，还是需要有扎实的数学功底，能够用数学解决实际问题。

3.业务能力。当然这偏向于业务部门的算法工程师。单纯做个算法模型是没有用的，要用算法去解决业务问题才能带来真正的价值。当然，业务能力是需要积累的，也依赖于各种商，多想多思考，尝试去锻炼自己就行。

 

最后，有2句话勉励自己前行，虽然我现在特别讨厌各种鸡汤，也不会找各种奋斗语句鸡励自己，但是有些实在的话还是不错的。

1.优秀是一种习惯。

2.兴趣是最好的老师。