不知道你们有没有读过那个，<PHD劝退手册>（又名The PHD Grind）。
里面讲的是一个本硕在四大做研究的三好少年，到了博士（依然在四大），突然进入了科研危机，博一博二博三什么都做不出来，一切努力打水漂，最后博四一转攻势，慢慢走上人生巅峰的故事。
我最近有空想起这书，翻了下，然后跟我朋友聊，然后达成共识 - 这不很正常吗？他最后都拿到教职了，生涯已经算是挺幸运的了！
我身边很多人，都是这样啊 - 一推时间打水漂，毫无成果，一般人人博三左右发处女作（只算顶会一作，不算打杂n作或者workshop），博一博二或是打杂攒经验，或是失败攒经验，或是做infrastructure work，写出一个框架，打算在该框架上发paper - 反正就是第一第二年发paper的少之又少，甚至不少博士，整个生涯一篇顶会一作也没有（或者刚好一篇），在这环境下做科研做出各种心理疾病的一推，有的conference甚至都会有专门的&#34;心理开导，来跟我聊聊，千万别想不开跳下去&#34;talk。
然后，工业界的科研岗位，也是要读满PHD才有资格去竞争的 - 而竞争也挺激烈的，竞争上得人也是做开发居多，科研占小头（除了极个别能找教职的被当成宝养着 - 他们事实上就是不能招PHD但也不需要写grant的教授）。
你再看这问题，又是内卷又是红海又是诸神黄昏又是灰飞烟灭的，是在小朋友过家家还是中二病也要写程序？
不就很正常一事实 - 机器学习至少在工业界红利被吃了不少了，机器学习开始从&#34;单独的学科，会这就够了&#34;回归正常，成为&#34;计算机的另一分支&#34;。别再老是什么鄙视着码农，做开发下等人之类的了 - 我沉思着我身边的所有人，做PL的System的Arch的，全部都能把自己专业知识放下，明天去大厂写代码，为什么做ML的不行呢？
再退一步说，假设你真今年进去了算法岗，又如何呢？假设公司真的35岁把你扫地出门，你现在大概23岁，你也有12年的职业生涯，你真觉得12年年年ML在业界都是夏天，你只需要写一下模型就一切OK了？冬天来了你还不是要开发为主，研究为副？你也不看看，MSR这以前的研究圣地还不是变得越来越像普通开发，你为什么觉得公司会养你做研究做到你职业生涯结束？
解很简单：如果你要有稳定薪水，做的工作八成有意义，大学四年去先把整个CS Stack打好，多余时间实习，然后去工业界。如果你想屠龙或者是抖M或者真的喜欢research，那大学四年去先把整个CS Stack打好，多余时间泡research lab，然后读博去。
以前那&#34;大学四年去无视整个Stack，只会一个方向，然后本科research发paper，本科结束直接去工业界找research岗位&#34;才是不正常的地方。什么内卷不内卷的，从魔幻现实常态化而已。
很多人都没看清楚真相。
国内的大学本科，不会教你前端研发，不会教你如何开发ios程序，不会教你如何开发安卓，不会教你java怎么做，不会教你go如何写，不会教你如何开发个游戏，不会教你如何开发哥xx，不会教你······基本算法教一下还教的不好。
paper和教职为导向，国内的培养模式，其实就是大规模培养所谓的算法工程师，什么cv，ml，nlp等等。
很多人学完后除了机器学习啥都不会。然后还觉得自己会了屠龙之技，其他的技术不会同时又看不上。
问题是，对一家商业公司来说，cv这些都是些工具，关键是是否有落地的商业模式和场景，去实现和搭建这些基础的商业模式和场景的编程技术又恰恰依赖于学校不教的那些东西。
举一个例子，我们部门招聘前后端研发，简单来说就是熟能生巧，招聘算法，就是要求你这个还要要求你那个······一看就是同样级别，算法岗位门槛要高。
就是供需问题。
PS：
再加一点，如果大家扩宽眼界后，你会发现，绝大多数稍微有点点名气的学校中，那些自动化专业的老师，机械相关的老师，力学相关的老师，ee相关的老师等等各种乱七八糟的方向，都想往计算机靠，那些老师啥都不会，他们怎么靠呢？他们一般只有两条路，一个是ml，一个是大数据······
所以他们的学生啥都不会，除了一些ml，最后你会发现那些乱七八糟专业的硕士博士都在往ml方向转， 。
是不是很有趣。
是个必然的趋势吧，如果你不是有过硬的实力，不建议再头铁往这行里面钻了。
下面五个里面能达成三项算实力过硬：
1）就读985 211院校
2）有一作顶会 顶刊的论文
3）机器学习相关比赛拿金牌
4）大厂或独角兽相关岗位实习经历
5）参加机器学习相关的会议、交流会等，与大佬交谈，并被大佬赏识
其中第一项最好要满足，否则简历大概率都过不了。第五项算是一个捷径，免去了秋招竞争中看运气的成分，但你要是没点真实力 大佬也不会赏识你。（经评论区提醒，提高第三条比赛的门槛）
随着现在铺天盖地的宣传，各大院校都开设人工智能专业，工资水涨船高，必然会有越来越多的毕业生想要冲进这个领域。
但是再看看提供的岗位呢？随着这个方向的泡沫慢慢戳破，很多中小公司的倒闭，经济增速变缓，大厂不断裁人，能留到现在的校招岗位也越来越少。这就势必造成岗位严重的内卷。
从14年左右看过点机器学习的课程，写两个demo差不多就能进大厂，到16 17年需要有相关领域的论文，18年人数暴增 开始以学校作为入门门槛，19年顶会顶刊论文 top竞赛，再到今年手里握着top论文 竞赛 大厂实习的人都竞争的异常激烈，诸神黄昏。
最后，今年秋招的毕业生，准备好你们的项目 paper和材料，祝愿你们都能找到心怡的工作。
=================================================
另外，提醒一下求职的同学，现在秋招提前批已经结束了，正式批马上开启，赶紧去投简历！！！不要等到九月了，那会儿黄花菜都凉了！
现职网易，有需要内推的同学可以联系我，各种岗位都可以推。
2020.08.06更新
看了一下今年的校招应届生简历，基本上本科出身都是清北。。 感觉自己早晚要被后浪拍在沙滩上了
----------------原答案 --------------
工作两年多了，目前在 bat 中的一家。
去年回答过一次类似的问题，当时我还在某二线厂，到了一线厂之后，发现同事们的学历更高了，团队里一大把清北背景的大佬们。
如何看待 2020 届校招算法工程师岗位求职人数远大于招聘岗位的现象？这个方向的顶尖人才，确实待遇太诱人了，手握多篇A类顶会的大佬，请继续做下去。
对于非top名校本科生，或者刚研一的普通学生，个人建议不要跟风追算法岗热点了。其实拿到 offer 只是职业生涯的第一步，还要考虑工作之后的晋升和加薪问题。以阿里的绩效考核为例， 375 拿到的钱， 据说是 325 的两倍，可能你签合同是 40 万， 绩效 375 就变成了 60万， 325 就变成 30万。工作中的晋升也是优先高绩效的人。 那么在算法岗一片红海厮杀出来之后，发现身边同事都是 清北交复 的大佬，硕士起步，博士大把，绩效考核和晋升的难度不言而喻。如果是普通开发岗，可能身边大多数同事，都是普通985 、211的学生，本科学历也很普遍，其实更容易拿高绩效，更容易晋升，职业生涯更容易获得成功。可能你在算法岗拼搏了十年，终于成了带5人团队的小 leader；而用同样的学历，付出同样的努力，由于竞争对手弱，在普通开发岗已经当上总监了。
这是我切身观察到的现象，希望评论区不要出现毒鸡汤，咱们聊的是付出同样的努力，哪个方向更容易获得职业生涯的成功。
深度学习发展到现在，有其自身的问题：
（1）直到最近，你会发现改模型结构的效果微乎其微，不像以前那么大了。
（2）你的每一次改动，都需要很长时间来训练，起码比开发岗编译一次要长。
这说明模型的容量或者能力到达了瓶颈，以及现有算力下算法训练工作容错率很低，结果就是主观能动性很低。白话来讲就是你怎么调参也见不到产出。
主观能动性就是你通过优化流程能改善产出的程度，对于计算机领域非常重要。啥时候如果整个计算机领域的主观能动性没了，就跟流水线一个待遇了。
对于这个问题，学术界可以通过自造数据集或者把数据集改小来解决问题，但是业界不可能改数据集，因为他们处理真实世界的数据。这些有其自身的产生规律，不可能随便改。
当老板们意识到再怎么也不能提高产出，他们的做法是把手里最优的模型包装成特定场景下的产品拿去卖钱。
于是这就需要把模型做成服务，涉及把数据导进 nosql 里，启动个离线 schedule 处理数据，使用 docker 来部署模型，以及搭个 springboot 应用来监控模型。
这些都是转算法岗的鄙视或者不擅长的东西。但有的时候你看不起的东西真的能帮到你。
我不是搞算法的，但我可以分享一下这几年的所见所闻。
我17年本科毕业，其实16年下半年开始人工智能就有点火苗了。17年上半年这个火是彻底烧起来了。
有个学姐有魄力，直接读的英国一年制统计MSc。其实当时在中游一点的985，出国的第一选择肯定是美国的，美国申不上好的才去读英国/新加坡/香港的一年制MSc。然而这姐们儿读完一年速去速回，回来参加2018年校招就收获了一家大厂的算法offer，目前情况良好。
我本科室友，大学玩了3年，大四良心发现考了个本校的研。他当时3年的学硕和2年的专硕都能考，结果考了专硕。研一期间论文是没有的，比赛是没打的，就刷了刷题。结果去了互联网独角兽实习，2019年秋招找了一家中厂做算法，目前情况良好。
我本科隔壁寝室同学，保研的，3年学硕，ICCV二作和若干杂七杂八论文，蚂蚁金服算法岗实习经历，参加2020校招，只找了一家中厂的算法岗，工资也就那样，目前有点不爽。
我是本科毕业当了一年蹲哥读研的，18年入学，中科大软院。中科大软院4个方向，有一个方向就叫“大数据与人工智能”，这方向真是被挤爆了，基本是个人就想挤进去，挤不进去就调剂了。为什么？大家看算法工资高啊，都想去分一杯羹啊。我记得当时我在公交车上，听到一个同学说的一句话：“像后台开发啥的，本科生就能做。我们都读到硕士了，要做就做算法。”然而现在已经2021年校招了，很多当时想搞算法的同学都转开发了。当然，还是有牛批的人收割了很多算法offer，但是少。
我再多说几句。“内卷”这个词，我在知乎上都看吐了，但我还是得说。现在真的，只要是好东西，都有人往里面卷，你逃不掉的，绝对不仅仅是算法岗这玩意儿。。。
你高考报计算机专业也卷啊。我当时填志愿，计算机就过校线几分就能上，软工和物联网都是被调剂去的；过了几年，要过校线十几分才能上了；现在尼玛计算机基本上成分数最高的几个专业了。
你考研计算机也卷啊。前多少年，报录比可能就3:1；前几年可能涨到了5:1；今年一看，龟龟，十几：1。。。。
你找非算法岗也卷啊，比如大厂的开发、产品、运营。以前是个211本科已经算可以了，后来要985本科，再就要985硕士了。现在你985硕士还不行，本科也要参考一下。
你说你不想在互联网卷了，考公务员去了。考公务员也卷啊。同样的岗位，前几年30:1，去年80:1，到了今年，龟龟，200:1。。。
所以这没办法的，好东西大家都想抢。你不想和人抢也想拿到好东西？也不是没有办法，你需要一双善于发现的眼睛。。。能够发现崛起前的字节、拼多多这样的公司。。。
转自我的专栏：https://zhuanlan.zhihu.com/p/163513722
前言
老宋我是去年参加秋招的，当时的情况已经算是直转而下了，虽然个人没有做出什么突出性的工作，但是，基础还算扎实，对多个领域有着自己的理解，幸运的来到了百度，也算是上岸了。
我从去年就开始相继劝退我身边的朋友，并且在知乎上写了这样一篇文章：2021 校招算法岗， 劝退还是继续， 可以看到，我整体是持劝退的态度的，这篇文章阅读量还可以，听从我建议的朋友应该顺利脱坑了，我也算是做了一件善事。 听我建议退坑的同学点个赞不过分吧。
今年为什么这么难呢？
没想到今年秋招刚开始，算法岗之难就上了我的知乎推荐：如何看待2021年秋招算法岗灰飞烟灭？ ，略微浏览了一下，为今年的头铁少年们感到惋惜，明明可以轻松去开发岗拿个小sp， 非要累死累活的去算法岗拿白菜。
今年为什么会这么难呢？
一方面是疫情的原因，另一方面就是学的人太tm的多了， 啥专业都转算法，啥玩意都玩ai。 先来吐槽一下我国**的科研现状， 国内很多导师水平不用我过多描述，大家都懂， 为了发论文， 疯狂的涌入ai领域，完全不考虑自己实验室的硬件设备，传承积累（其实很多实验室没有传承，只有9117），进而导致，自己的学生貌似看了很多前沿论文， 却并没有什么鸟用，发不了顶会都是扯淡。
还有就是，我国大多数学生的一个特性： 只管埋头走路，从不抬头看天。 意思就是，很多同学，从来不做职业规划，从来不去分析行业现状， 不信， 你可以从你身边调研看看，你身边的大神，是不是都是很清楚自己要什么的人呢？ 那些普通学生，是不是都很浑浑噩噩，老师说什么就是什么呢。 我把从埋头走路到抬头看天的这一过程叫做觉醒。 那么，同学，你觉醒了吗？
Bar 在哪里？
众所周知，今年算法岗的Bar一定是比去年要高的，那么今年的 bar 在哪里呢？我依旧从几个方面来答，这里主要指的是NLP的情况。
1. 论文
毫无疑问的是，今年论文的重要性在下降，我觉得主要有两方面的原因。一方面是水文比例的急剧飙升，各大顶会动不动几千的录用以及现在成规模的讲故事套路，让顶会在业界人中的含金量下降迅速，这就得单独去看每个应聘者的论文了。 其实水不水，大家都是做 NLP 的，玩什么聊斋阿。另一方面 ，我认为原因在于，算法的红利消失了，即现有的论文无法带来业务上的提升或者说提升很少了，比如说， 你用GCN跑了个***，的确蛮有创新性的，一看效果，他喵的比 BERT 还差，那请问，我要这玩意干啥呢？现在有能在 bert 之上提高很大(4%以上)的模型或方法吗？ 如果有，那你放心，你offer绝对不会少。
总得来说，论文从看顶会名字到看论文内容的阶段，如果内容不够硬，那么你这篇文章反而会给你带来反作用。
2. 实习
今年实习的重要性在急剧提升，去年我就不断强调实习的重要性，也不知道有多少人听进去呢？现在各个大厂十分需要有业务 sense 的面试者，即给定你一个业务，你能够快速拆解业务，制定方案，且要求后续迭代慢慢的融合进一些前沿 paper 的一些思想，能做到这一点，我觉得给个sp不过分。 其实很多人实习期间很难做出有创新性的东西，一般都是跟着leader走，但是虽然做不出来，但是一定要尝试创新，不能上个bert完事。
3. 学校
今年学校的bar 应该和去年差不多，双非除了大神，真的别刚算法了，炮灰都不剩。
算法的未来会怎样呢
其实，本质上，就是问：你看不看好人工智能的未来呢？ 我先来说我的观点，我是持续看好的，但是风险很大。 现在各大公司都在现有的算法技术上探索落地，但是实际上，收效不大，也就是我说的算法红利消失了。
接下来，可以仔细捋一捋现在无论是 cv 也好， nlp也好，语音也好，它们的进一步突破在哪里，首先，是技术层面的突破，其实这三个领域都度过了突飞猛进的时代，现在都进入了平稳发展，未来几年会不会出现bert那样的大爆发呢？ 更近一步，即使爆发了，会再次实现结果的大幅提高吗？ 相信每个人都有答案。 然后，就是数据问题，其实现在业界很多问题不是不能解决，而是没有形成数据闭环，那么如何建立这种数据闭环是接下来很重要的事情。 最后，就是减少不确定性，这对于cv来说尤其重要。举例来说，政府提出的新基建，如何解决运输最后一公里的问题，能不能专门留出一条通道给重卡无人车，这样既能够减轻车祸问题，又能够解决运输问题。这个层面需要政府去发力，而由于投入太大，政府可能并不太会去做这种事情。
总得来说，我认为AI 还有很大的空间，但是，短时间内的技术红利已经被吃掉了，剩下的都是一些精细化的工作，仅仅依靠技术是解决不了的。 那么有没有一种可能技术突然爆发带来大规模的应用呢？ 我只能说可能性太小了。
应该怎么办呢？
还是那句话： 实习，实习，还是实习。 什么？ 你连实习都找不到， 那你真的该转岗了。工程+算法，两条腿走路，稳健，你没看见我手里拿着《Go语言从入门到放弃》吗？
最后
觉得有帮助的同学，点个赞吧
18年硕士入坑机器学习，被各种公众号媒体吹得欲仙欲死，觉得拿了算法岗offer就是一步登天，从此走上年薪50万的正途。
奋斗两年后，作为20届应届毕业生这才发现算法岗校招的确是诸神黄昏。校招刚开始时，天真地以为自己拿下了Kaggle三银牌，手握国内大赛亚军季军至少可以稳健斩获一个offer。结果被社会教做人，各种简历被拒，面试一面就挂。最后意识到自己不过如此，的确太菜，不仅差太多，而且努力错了方向。
这不仅怪自己硬件条件不好（学校非985/没高质量论文/没高质量实习经验），还要怪自己算法基础不好（leetcode都觉得好难/面试啥知识点一深入就讲不清楚）。更要怪自己没意识到算法岗向我这种普通人开放的窗口期已经过去了。自己之前的努力白费（可能是瞎努力），开发岗刷题start（还好没忘记计算机学生的本份是老老实实编程而不是炼丹）。
过来人的经验，也就这么几句：
硬件条件不好的就果断转开发岗吧，别头铁算法到底。开发岗也挺香的，性价比已经很高了，不需要天天耗大量脑力琢磨公式原理，只要能懂框架做几个小项目基本可以拿到一个互联网中小厂offer。对自己的能力应该有个估计，再怎么努力逆天改命的几率也是很小的。校招年薪50万本来就是稀有物种，大多数人就是一枚平凡的校招小白菜~
亲眼目睹了提问从“饱和”、“众神黄昏”到“灰飞烟灭”，现在隐隐有点期待明年的新词。我每年都会回答类似的问题，现在看来依然不过时。
算法岗诸神黄昏，算法初级职位内卷，如何选择适合自己的方向?2019 年人工智能行业又进入冬天了吗？2019 秋招的 AI 岗位竞争激烈吗？
因为对国内职场的了解有限，咱就不再过多分析具体的学习路线或者就业思路，而从策略上想想2020年以后机器学习开发岗的风向与侧重点。我觉得既然已经到了2020年，就应该有一个思路上的转变：从理论模型落到实际操作上去。以前的就业套路，包括硕士、本科生的套路都是学位+论文+会掉包就可以轻松就业。那么从两三年前开始，这条路已经走不通了，我觉得根据算法工程师、或者机器学习开发的角度来看，应该是学位+开发经验和过硬的工程能力+读的懂论文能实现就行。
核心区别就是要弱化工程岗的论文经历的权重，而提升对程序设计与开发、机器学习系统的理解。对于一个机器学习工程师而言，此处的工程能力是对于数据为先模型的设计（data intensive design）的重视。这跟传统的软件工程不一样，机器学习模型的开发跟数据交互更加频繁，数据的吞吐量更大，且不确定性更多。在我看来，对于机器学习模型和系统的设计要考虑到：
模型开销（运行时间、储存开销），有些信息不能储存在内存或者需要分布的去做性能与开销的取舍（在有限的资源下完成可接受的成果）对于不确定性的鲁棒性（如果预测超出范围，如果输入数据有很多异常）模型的可扩展性（比如数据量成十倍的增加，比如需要及时更新模型，比如需要在线更新模型）模型的安全性（防止针对机器学习模型的攻击，比如根据返回结果来倒推模型等）
在这些基础上，我觉得未来的机器学习工程师可以在机器学习、深度学习以外，看一些数据挖掘、并行系统、系统架构类型的书。倒也不是为了成为这些领域的专家，但工程师的职责就是保证项目能够稳定的上线。所以吧，重点就是以后别啥都奔着发论文去了，看点实际的、接地气的，现实生活中能用到的技术。就算以后AutoML把调参师替代了，至少还得有人去做AutoML的系统，或者至少可以退回到做软件开发。
这里科普个小知识，数据挖掘和机器学习的区别在哪里？我觉得前者可以被叫做应用机器学习（applied ML），更在意部署和可扩展性，因此更接地气更在乎应用。有时候数据挖掘领域的论文没那么高大上，但的确管用，毕竟是很多企业拿真实数据喂出来的。以前吧，数据挖掘一直在AI鄙视链的底端，但随着落地需求的上升，我反而觉得有逐渐回春的意思。
抛开AutoML的逐步进展（虽然在绝大部分领域还不可用），考虑到加上机器学习工程师的收入已经逐步回归到了其他开发岗相似水平上。
是时候认清现实，当个真真正正的工程师了。
<hr/>先介绍一本传统的数据挖掘教科书。虽然不新，但很经典：
数据密集型应用系统设计：Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems. 亚马逊有接近500个好评，值得一读。
PDF版本：https://github.com/Yang-Yanxiang/Designing-Data-Intensive-Applications/blob/master/Designing%20Data%20Intensive%20Applications.pdf
互联网大规模数据挖掘与分析（我的师叔著）
PDF版本：<a href="http://link.zhihu.com/?target=http%3A//infolab.stanford.edu/~ullman/mmds/book0n.pdf" class=" external" target="_blank" rel="nofollow noreferrer">http://infolab.stanford.edu/~ullman/mmds/book0n.pdf
阅谦，2019年阿里校招算法岗，目前在阿里巴巴淘系技术部担任高级算法工程师。从过来人的角度，给学弟学妹们聊聊算法求职&晋升之路上的感想。算法岗位的竞争是激烈的，不再赘述这个情况增加焦虑，主要聊聊他的成长心得。
——————————————————————————————————————
【本文全篇干货，字数较长，关注我们即可获得【阿里淘系2020技术干货：技术人的百宝黑皮书1500页+】，已经关注过的回复「黑皮书」即可领取。】
阿里巴巴淘系技术关于我自己
我是从2016年5月份开始基础机器学习个领域的，之前对这个领域完全没有了解，本科期间只做过一些app开发和网站开发的工作。之后在导师的指导下学习吴恩达教授的《机器学习》课程入门，在这期间了解到了Coursera这个网站，后来也为我提供了很多学习资源。读研期间主要从事强化学习的研究，不过其实具体做的东西就比较杂了～大概就是我是一块砖，哪里需要我我就往哪里搬关于算法的学习主要是通过自学和参加各类竞赛的方式，这个之后会细说
本文的一切内容只是根据我自己的经历整理得出来的，可能并不适合每个人，甚至也有很多属于弯路，只作为一个参考就好~我还记得刚入学的时候研三即将毕业的师兄在就业分享会上讲过下面一段话：
知道自己想做什么知道自己能做什么积极明确的职业规划&找到身边的职业榜样基础知识建设很重要经历成就简历面试是有一定运气成分的机会总是留给有准备的人从事一份最适合自己的工作
基础知识建设
基础《统计学习方法》和周志华老师的西瓜书，进阶的可以看ESL或PRML领域内的书和paper，CV,NLP，强化学习这个就每个人都不一样了，找自己适合的看然后再推荐一下Coursera这个网站，如果你不太喜欢看书，喜欢看视频的话，这个很适合，另外这里还有编程实践的模块，理论和实践相结合，挺不错的。读研期间大概在这个网站上刷了50多门课，有人问哪来这么多时间，读研期间我基本都是逃课的（不建议大家学习），然后看视频基本是1.5-2倍速播放~后来也是机缘巧合帮助黄海广博士一起整理了一门课程的笔记，受到了广泛的好评~
关于竞赛
在实验室工作之余，自己也参加了一些相关的竞赛，由于时间原因和个人能力原因可能名次不是太好，不过还是学到了很多东西，也认识了很多小伙伴和大佬们，收获还是很大的
在实习期间也看到过一些同学的简历，基本都是有比赛经历在里面的，感概现在整体水平是水涨船高了
建议大家 「初期还是以学习为主，之后可以好好去做一个为自己的简历加分」 ~ 另外就是比如因为时间久远或者是组队分工的原因，如果一些比赛自己不是对完整方案非常清楚，就不建议写在简历上了， 「一定要写自己熟悉的」
下面是简单例了下自己大概好好做过的一些比赛(其实还有几个划水的，就不上了)
2016.10 - 2016.11 2016CCF大数据竞赛-搜狗用户画像挖掘 rank 26/8942017.03 - 2017.04 kesci-携程出行产品销量预测 rank2/245 https://github.com/shenweichen/ctrip142017.04 - 2017.05 京东JData算法大赛 高潜用户购买意向预测 rank 13/42422017.05 - 2017.06 腾讯社交广告竞赛 移动App广告转化率预估 rank 20/1650https://github.com/shenweichen/Tencent_Social_Ads2017_Mobile_App_pCVR2017.11 - 2017.12 2017CCF大数据竞赛 蚂蚁金服-商场中精确定位用户所在店铺 rank 20/2845
关于论文
硕士期间能发相关领域顶会的人应该是在学术方面很优秀了，但是据我了解大部分同学还是没有的，不过没关系，我们不能发，但是我们可以多读多写，领域内经典papar一定要了解，发展脉络心里要清楚，对于一些经典的方法，抽空可以去实现一下
多读paper，一方面了解一下业内的最新进展，一方面自己的知识也可以更体系化
我自己的话也是抽空实现了一下，https://github.com/shenweichen/DeepCTR
不仅能加深自己的理解，放在简历里也是加分项
后来又和小伙伴一起开发了DeepMatch
关于面试
如果把面试的难度看作一个随机变量，那我们能做的就是将它的方差降低到最小。
我觉得面试官从拿到你的简历开始，就已经给了你一个打分，剩下的过程就是尝试去印证他打分的合理程度。所以在写简历的时候一定要确保简历上的内容都是自己做过且非常熟悉的。
一般一场算法岗位的技术面试考察的内容无非涉及一下几块：ML/DL/RL算法基础知识，结合简历和业务应用的相关知识，基本的编程能力，数理统计和智力逻辑题
我们在学习一个算法或者模型的时候，一定要学着类比和关联，比如很多人说自己熟悉逻辑回归LR，那么问问自己，下面这些内容你都了解吗？
LR归一化问题，什么情况可以不归一化，什么情况必须归一化，为什么提到LR损失函数要能知道交叉熵，为什么是它，以它为损失函数在优化的是一个什么东西，知道它和KL散度以及相对熵的关系提到LR的求解方法，比如SGD，知道SGD和BGD的区别，知道不同的GD方法有什么区别和联系，二阶优化算法知道什么，对比offline learning和online learning的区别提到调参，知道模型不同超参数的含义，以及给定一个特定情况，大概要调整哪些参数，怎么调整提到LR的正则，知道l1l2的原理，几何解释和概率解释LR的分布式实现逻辑是怎么样的，数据并行和模型并行的区别，P-S架构大概是怎么一回事LR作为一个线性模型，如何拟合非线性情况？特征侧比如离散化，交叉组合，模型比如引入kernel，又可以推广到FM等model上，
个人感觉如果一场面试中大部分时间是你在向面试官输出你的知识，而不是等他来问这样的一问一答的话，那么基本就是ok的了关于编程题目，leetcode 多刷刷，一般medium居多关于概率统计和智力逻辑题，这个网上也可以网上搜搜看看~
——————————————————————————————————————
关于晋升
昨天系统里正式公布了晋升结果，非常荣幸的从一名算法工程师成为了高级算法工程师。过去一年里的努力和付出获得了认可，曾经的困难，委屈和不被理解随着时间的推移也逐渐被忘记。非常感谢在阿里的这480天里帮助和指导过我的师兄，同学，同事和老板们，感恩相遇。
阿里是一家很棒的公司，尤其是对于刚刚毕业的应届生来说，在这里可以充分的将学校书本里所学的知识和企业的实际应用需求进行连接，接触到行业内的领先技术，获得一个非常快速的成长。同时身边充满了各种大牛，每个人都有自己独特的优势和亮点，值得学习。
当然，今天这篇文章不是来夸公司的，主要还是希望借此机会分享一些的想法，尤其是「刚刚毕业工作或即将毕业工作的同学们」～
放低姿态，从最简单的做起
刚毕业的同学，尤其是「算法岗」的同学，很容易产生一个想法。就是师兄或者主管给我安排的任务是太简单，没什么技术含量或者看起来没什么用。再想想自己手握X篇顶会，Y个竞赛Top，Z个上千star的开源项目，拒掉了多少家offer来到这里，就让我做这个？就这？没错，就这。
首先工作的安排是取决于业务的形态和发展需要的，主管不会去浪费你一个人力去做那些真正没有用的事情的，一定是业务确实有需要。第二，对于新同学来说，做一些简单的任务也是让自己熟悉工作的一个过程，从简单的任务不会觉得学习曲线过于陡峭。第三，通过这些相对简单的任务，可以展现出自己做事情的方法和逻辑，当主管觉得你做事还算靠谱后，自然会安排更有难度更有挑战的工作。
保持学习，向身边优秀的同学看齐
其实这句话从读研的时候，实验室的师兄就有和我们讲过。到了工作的时候，依然被不断的提起，想必道理大家都懂。
不要因为自己有了工作了就懈怠了，请保持你当时在找工作时的学习态度，技术行业的发展是很快的，今天的state of the art就是明天的baseline.去发现身边同学的优点和亮点，观察他们是怎么看待和思考问题以及做事的方法，有机会的话可以多向他们请教和交流，一定会有收获的！
迎接挑战，承担更多的责任
其实这里想说的是，走出舒适区，每每当你感到痛苦和艰难的时候，正是你成长和收获最大的时候。
每一次困难和挑战都是一次学习的机会。做已经掌握或者熟悉的事情，虽然很容易取得结果，但是对个人来说并没有带来成长。有时候可能一件事情对自身能够带来的价值是有限的，但是如果你把坑都趟平了，可能会让那个整个小组或者团队的同学受益，那你愿不愿意去做。这种时候就有两种想法：
a. 我去做了，这样大家都可以受益 b. 反正早晚有人做，我等着就行了
但如果每个人b想法，那么可怕的事情就发生了，陷入了死锁，每个人都在等待别人去做，整个团队的发展也就收到了阻碍。
皮实抗压，培养强大的心力
在过去的一年里，也有过很多次想要放弃的念头，不顺的时候晚上会焦虑的难以入睡，但内心也有另一种声音告诉自己，再试试看看，也许是哪里细节没注意到，多给自己一点耐心。减少玻璃心，减少浮躁，成为一个内心强大的人。心力，脑力，体力三者缺一不可。
成就别人就是成就自己
每个个体的力量有限，每个人擅长的事物也不尽相同，发挥自己优势和长处去帮助身边的同学一起进步，在未来的某一天或许会有意想不到的收获～
最后，非常幸运能够加入这样一个团队，在这里收获了很多，也成长了很多，接下来会继续向着新的目标努力~
学弟学妹们一起加油！
——————————————————————————————————————
这篇文章更新到这里就全部结束了，全文描述皆为自己的心得和干货，如果觉得文章对你有帮助，欢迎点赞收藏哦。
最后，文末福利！！！给我点赞评论的小伙伴，点击关注「阿里巴巴淘系技术」官方账号就可以得到我们自己总结的【阿里淘系2020技术干货：技术人的百宝黑皮书1500页+】，另外也非常欢迎大家共同与我沟通交流经验、回答疑问，也可以跟我吐槽释放压力。
阿里巴巴淘系技术