Jack的「算法能力」是从什么时候开始突飞猛进的？
大家好，我是 Jack。
最近逛知乎，看到个提问：
在做算法工程师的道路上，你掌握了什么概念或技术使你感觉自我提升突飞猛进？
正好工作满两年，回答了一波，也在公众号也分享一下，这篇文章纯属工作上的一些感悟，有其他见解的，也欢迎留言讨论~
以下是正文：
没有一蹴而就的成功，只有日复一日的坚持。
从事视觉算法工作两年，谈一谈我的感受。
主要从以下六个方面进行说明：
基础扎实
算法基本功很重要，需要很清晰地知道比较经典的算法，能说明这些算法的优缺点，适合的应用场景，以及算法的实现细节。
这些如果没有掌握好，谈何针对业务场景优化算法？
身边同事发展快的，很多都是这些算法基本功就掌握牢固的。
算法的学习资料、方法和视频，可以参考我之前发过的文章：
数据处理能力
学校里学各种算法的时候，用的数据集都是开源的，干净的，网上下载下来直接用。
而在工作中，用到的数据都是脏乱的业务数据。这些数据不仅乱七八糟，什么都有，而且还没有标签。
针对项目需求，要考虑如何解决这个问题，使用有监督学习，还是无监督学习，脏数据怎么过滤？
举个非常简单的例子，想做一个动物垂类的项目，但是能拿到的业务数据，人、车、房子什么都有，这时候可以用一些检测+分类的算法，挑出置信度比较高的数据。
当然，这个例子非常简单，实际业务场景可能要比这个复杂的多。
我们需要做的就是，针对项目需求，清洗数据，并制定算法 or 人工的清洗标准。
什么样的数据要，什么样的数据不要，什么样的数据先解决，什么样的数据后解决，等等一系列问题。
问题细化能力
算法工程师，其实最头疼的一件事是：无论怎么优化，效果就是没有显著提升。
要不断地想 idea ，然后测试效果，至于好坏，只有试了才能知道。
PM 如果催着问：算法的效果多久能优化好？说实话，做算法的人心里可能也没谱。
算法效果不好，怎么优化？这就需要一项很重要的能力：拆解问题的能力。
针对项目需求，算法效果还没有达到要求，需要分三个步骤进行优化：明确和理解问题、拆分和定位问题、提出解决方案。
明确和理解问题
需要先沟通对齐问题的本质，举个简单的例子，对一个分类任务，需要优化效果，准召不能都有效提高的时候，需要明确是保召回率，还是保准确率？
或者说对于业务，召回率更重要还是准确率更重要？哪个对用户影响小？然后，明确解决问题的目标，准召要达到多少，才能上线？
拆分和定位问题
一个问题，我们可以将其分为，复杂问题和元问题。复杂问题就是参杂了多个维度跟变量的问题，不可直接解决。
而一个需要优化的项目，往往是这种复杂问题。元问题就是最本质、最小的待解决的问题。
我们需要将复杂问题进行拆分和细化，通过解决多个元问题，进而解决复杂问题。是不是很像 dp 算法？都是这种思想。
提出解决方案
最后就是根据拆解的各种元问题，提出具体的解决方案。
一个复杂的问题可能不好解决，但是逐一击破，每一个环节效果提高一些，最终算法效果可能会提升一大截。
这个道理很多人都懂，但是在实际项目中，真正能做好的人，并不多。这项能力需要经验，慢慢的培养。
工程能力
算法工程师，首先得是一名合格的工程师。做项目，最终是要看落地产出的。
这不仅涉及算法本身，还涉及前端、后端等多方的合作。同时，需要将自己优化好的算法，进行工程化。
比如，为了算法的效率，落地一个后端算法，需要将Python代码改写成C++代码。等等诸如此类的工程化问题。
持续学习能力
算法更新很快，新的paper层出不穷，跟踪最新的研究成果，寻找业务场景落地的可能，要保持一个持续学习的态度。
这个也挺难做到，毕竟业务压力大的话，真的没时间看论文。还能怎样，做一名时间管理大师呗。
检索能力
找到合适的搜索关键词，百度 or Google。
别笑，面向搜索引擎编程，看其他人分享的经验，吸取精华，那编程能力，还不得突飞猛进啊。
推荐阅读
• 你说，我画，AI工具人石锤• 万字长文，60分钟闪电战• 保姆级人工智能学习路线