https://zhuanlan.zhihu.com/p/159243232

蚂蚁金服的实习申请早已经结束了，今年我总共收到 30 多份简历，质量都比较高，最终接收了 3 个实习生。观察最近几年的申请趋势，非常明显的变化是：算法实习生的竞争越来越激烈，门槛也越来越高。最近仍有同学私信问我，申请算法工程师（实习或者正式）岗位需要注意什么，或者如何做准备？我觉得可以简单写一下我的理解，以问答的形式，说明一下我们在挑选简历以及面试过程中会关注什么，虽然我的回答会带有比较强烈的个人倾向，未必是最正确、最全面的答案，但是可能对有需要的同学会有一点启发。

1、算法工程师到底是做什么的？

大多数公司招聘的算法工程师都是应用型工程师，基本不需要研发新的算法（当然，具备新算法的研发能力，会相当加分），只需要用到现有的机器学习算法去解决实际的业务问题。

从解决问题的角度，算法工程师需要做的事情是：（1）分析业务问题，并把它抽象和转化为一个算法问题；（2）寻找一种合适的解决该问题的算法方案；（3）通过实验来验证方案的可行性，并形成解决问题的最终方案。

从实际操作的角度，算法工程师需要做的事情包括：解决方案设计、数据预处理、特征设计和清洗、模型训练、模型结果评估、模型部署上线、模型维护和迭代更新。其中，模型训练这步需要事先准备好需要用到的算法工具，在一些基础设施比较好的公司，这类算法工具或者组件可能是现成的。否则的话，算法工程师还需要事先编写相关算法的代码。

2、申请算法工程师岗位的候选人通常需要具备什么样的专业能力？

从算法能力的角度，我通常希望候选人具有“ T 字型”知识结构。所谓 T 字型，指的是一横一纵。“横”表示的是希望候选人基础知识扎实，能够对机器学习的基本概念、问题类型都比较清楚，在算法广度上有一定保证。这里需要了解的包含但是不限于：数据预处理的知识（比如：缺失数据补全、归一化、数据降维）、机器学习基本问题以及相关概念（比如：回归问题、分类问题、聚类问题、有监督/半监督/无监督）、常规分类算法以及相关概念（比如：逻辑回归、随机森林、Xgboost、偏差与方差、Bagging/Boosting/Stacking）、常规分类算法的评估方法（比如：AUC、F1、准确率、覆盖率）、常规的聚类算法（比如：K-Means, GMM, dbscan, 谱聚类）、常规的深度学习算法以及相关概念（比如：DNN/CNN/RNN/LSTM、Relu/Sigmoid、梯度消失与梯度爆炸、反向传播算法），等等。基本上，这里提到的机器学习的基础知识在常规的机器学习课程或者参考书（比如：周志华老师的西瓜书）都会有涉及，如果稍微系统的学习过机器学习，对这些概念都不会陌生。

"纵"表示的是希望候选人在某一个算法方向上有特长，比如：NLP 算法、CV 算法、迁移学习算法、异常检测算法、或者图相关算法，等等。基本上，如果候选人在校期间有自己的研究领域，基本上都会有一块自己熟悉领域的算法。既然是作为特长，那希望候选人不仅仅是了解这个熟悉领域的一个或者两个典型算法，而是对整个领域的算法类别，各类算法的优劣，算法历史发展的沿革，都能有比较深度的了解，对这个领域的关键算法的细节也都比较清楚。细节是魔鬼，有时候熟与不熟往往体现在细节的掌握上。

除去算法能力，我们也希望候选人具备较好的工程能力，能够熟悉一种或者几种主流的编程语言，比如 Python、Java、C++（面向对象的编程语言一般只要熟悉一种，其他的都是相通的）。给定一个算法方案，算法工程师要能够自己编程实现。如果对编程语言还不太熟悉的，可以考虑直接学习 Python 。

3、除去专业能力之外，其他还有什么能力或者特质也会影响面试的结果？

这个问题听上去有点玄学，除去算法能力，确实还有其他能力或者特质会极大影响面试的结果，比如，沟通能力。

沟通能力，可能又分为不同层次。初阶的沟通能力是指在面试过程中，候选人能否条理清晰、简洁明了的介绍自己的工作，回答面试官的问题。常见的错误包括：回答问题太啰嗦、不能迅速的抓住问题的关键点、思路混乱、逻辑不清。初阶的沟通能力是可以学习、训练的。比如，想知道自己说话是不是啰嗦，可以把自己做演讲或者跟人做交流沟通的过程用手机录下来，自己回看，可能会发现自己有这样那样的小问题。再比如，想让自己介绍工作的时候条理更为清晰，可以按照一定的逻辑结构去事先组织好材料。

我曾经读过一本书，教人如何做即兴演讲（感兴趣的可以看看这本书的豆瓣介绍：《即兴演讲》），里面提到的一个核心方法论是：要想做好即兴演讲，可以事先按照不同的场景准备好不同的模版、套路（通常是类似起、承、转、合的几个结构模块），在具体需要做即兴演讲的前几分钟迅速按照模版组织语言。这个方法论也可以应用到面试准备中，比如，在面试介绍自己过往项目经历的时候，可以按照常规的 “STAR” 模版来组织语言。STAR 中的四个字母分别代表 Situation、Task、Action、Result。简单的描述就是，你在什么情形（situation）之下接收了一项什么样的任务（task），你做了什么样的行为（action）并最终取得了怎么样的结果（result）。这个模版简单易用，清晰明了，可以一试。

高阶的沟通能力是指候选人可以在短时间内跟陌生人熟悉起来，能够很好的把控沟通的气氛，甚至是很快的跟陌生人建立起某种信任感和熟悉感。说起来有点玄学，高阶的沟通能力可能更多的跟候选人的性格相关，是否可以后天训练，我也想知道。

4、从面试官的角度，什么样的简历会更受青睐？

如同前面的描述，我们希望候选人在算法能力上“基础扎实，且有特长”，如果这些信息能够在简历上体现出来，有相关证据可供佐证，那这样的简历显然会更有说服力，自然会更受青睐。

那算法能力如何在简历上体现出来呢？由易到难，可能有如下几种方式：（1）机器学习相关课程的作业项目简述；（2）参与的实验室相关研究课题简述；（3）之前其他算法实习或者算法相关工作的简述；（4）算法相关比赛成绩（比如：Kaggle 比赛、阿里的天池、腾讯的广告大赛等等）；（5）发表的学术文章。从今年的简历情况看，有着良好的比赛成绩以及 CCF-A 类文章的候选人比往年要多，这可能表示着一种趋势。

多说一句，算法比赛最近几年越来越多，有的难度高，有的难度一般。我建议有时间的同学多参加各种比赛，一来可以从实践中学习相关的算法知识，积累实操经验，二来如果能获得比较好的成绩，会是很好的简历加分项。

5、申请算法工程师实习或者正式岗位，还需要注意什么？

就一点，希望可以好好的、大大方方的写一封实习申请邮件。我收到过太多奇奇怪怪的邮件：昵称莫名其妙、标题不清不楚、有标题无正文、邮件内容极其口语化、缺少基本邮件礼仪。怎么写一封求职邮件，相信知乎上有很多很好的经验分享，可以学习一下。

6、如果不是相关专业毕业的，如何转行成为算法工程师？

一般而言，算法工程师的专业背景主要是计算机、统计 和 数学。其他专业的话，转行的难度会稍微大一些。对于这些专业的同学，我更建议扬长避短，找更适合自己的职业。

如果执意选择算法岗位，我建议给自己长一点的转型时间，可以先找一个相对容易申请的公司的算法岗位，然后同时学习算法知识，培养一下自己的工程能力。等两三年的实践和积累之后，慢慢尝试更好的公司的算法岗位。

至于如何系统的学习算法知识，建议按照口碑较好的机器学习书籍来学，比如，周志华老师的西瓜书。如果想挑战更难一些的，推荐 Kevin Murphy 的 《Machine Learning: A Probabilistic Perspective》，这个是我认为的最好的机器学习教科书。

7、最后的最后，为什么要选择这一行？

Facebook 的 CEO Sheryl Sandberg 几年前的演讲里有一句话广为流传：“ If you're offered a seat on a rocket ship, don't ask what seat! Just get on.”，这句话是她当初去面试 Google 时，当时的 Google CEO Eric Schmidt 给她的一个有关职业规划的建议。

这个建议的内在逻辑，可能也适用于为什么要选择算法工程师这个职位的问题。从最近几年的市场薪酬水平来看，算法工程师的岗位一直处于比较 top 的位置，可能远远多于排名靠后一些的岗位。这个数据或许已经证明了它的 “rocket” 的地位。 也许有人担心这里会有泡沫，有供大于求的情况了。我觉得这个担心有一定道理，但是为时尚早，等薪酬水平降下来再说。

暂时想到这么多，如果有新的问题，我会持续更新。

2020-07-14