起航学习网

985本科程序员：应届拿到年薪40万的算法岗，原来算法这么值钱!

写在前面：首先你记住，青出于蓝胜于蓝，一代更比一代强，每一位IT人不进则退!

一名985高校的本科毕业生拿到了年薪40万的岗位，忍不住在互联网论坛炫耀起来，其拿到的是某互联网公司的算法岗位，并称：985本科，拿到了40多万的offer，第一件事就是告诉爸妈，这应该是我秋招最开心的事情了，与诸君同乐!

 

 

1 此帖一出，立即引起了同行们的热议，大家纷纷投来羡慕的目光：校招40万倒挂不少老员工，老员工这几年的工作意义在哪?

 

 

有其它网友随之附和：因此老员工就不要不平衡了，今年这种倒挂局面还不是你们自己一手造成的?很多人离开大学恐怕就再也没有充过电。

资深HRBP也反应，近十年的应届生质量一直在直线增长，常常超出预期。

 

 

 

 

不论是不是应届生，公司肯定是按能力付薪酬。

应届生只是一个名号，技术到位了才能撑得起那样的薪资。而关于倒挂了老员工，那只能承认技不如人，或许是需要给自己充充电了。确实也警醒了每一位IT人不进则退。

2 是否真的进了DT时代?

我们先来看看2018互联网校招的高薪清单：

 

 

*来源：网络

可以看到排在第一位的是谷歌中国的年薪56万(人工智能)，其次是微软、Google的算法工程师，以51万，50万分居第二，第三。 放眼望去，还是算法工程师的需求多，年薪基本上在30万以上。

通过校招就给到这样的薪资，肯定有一大批人说：我们可能参加了一个假的校招...也有不少人表示质疑，难道是互联网行业薪资的泡沫太大?

但不能否认的是：近几年算法工程师们的境遇有了很大改观。早些年，信奉糙快猛主义的大佬们觉得他们饱食终日、无所用心，没工作只好在学校混博士，靠数据上的障眼法装神弄鬼。后来随着AlphaGo大破李世石，大佬们慌不择路地把各种搞劫持、送外卖的生意包装成人工智能，并纷纷请来几位懂算法的国师加持。

于是，算法工程师的身价也水涨船高。各门派工程师不论过去练的是java、php还是excel，都放弃了最好语言的争论，抄起了深度学习，发誓重新修炼成算法工程师。

3 说到底算法工程师也是千千万，但差价甚多。有十几万拿着跟一般程序员差不多的薪资，却也有拿着年薪几百万的，都说算法难，具体是差在哪里了呢?

20万、50万、100万的算法工程师，有什么区别?

第一层次"Operating"：会使用工具

这个层次的工程师，对常用的模型比较熟悉，来了数据以后，好歹能挑个合适的跑一下。

达到这个层次，其实门槛不高。早些年，只要掌握了什么叫LDA、哪叫SVM，再玩过几次libnear、mahout等开源工具，就可以拿到数据后跑个结果出来。到了深度学习时代，这件事儿似乎就更简单了：管它什么问题，不都是拿神经网络往上堆嘛!最近，经常会遇到一些工程师，成功地跑通了Tensorflow的demo后，兴高采烈地欢呼：我学会深度学习了，我明天就统治人类了!

这事哪有这么简单。任凭你十八般开源工具用的再熟，也不可能搞出个战胜柯洁的机器人来。进入这个领域的人，都要先了解一个“没有免费的午餐定理”，我们把它翻译成并不太准确的文艺语言：

如果有两个模型搞一次多回合的比武，每个回合用的数据集不同，而且数据集没什么偏向性，那么最后的结果，十有八九是双方打平。

考虑一种极端情况：有一个参赛模型是“随机猜测”，也就是无根据地胡乱给个答案，结果如何呢?对，还是打平!

这就很尴尬了!因为掌握了一堆模型并且会跑，其实并没有什么卵用。当然，实际问题的数据分布，总是有一定特点的，比方说人脸识别，图中间怎么说都得有个大圆饼。因此，问“人脸识别用什么模型好”这样的问题，就有意义了。而算法工程师的真正价值，就是洞察问题的数据先验特点，把他们表达在模型中，而这个，就需要下一个层次的能力了。

会使用工具，在算法工程师中仅仅是入门水平，靠这两把刷子解决问题，就好比杀过两只鸡就想做腹腔手术一样，不靠谱程度相当高。20万是个比较合理的价格。

第二层次"Optimization"：能改造模型

这个层次的工程师，能够根据具体问题的数据特点对模型进行改造，并采用相应合适的最优化算法，以追求最好的效果。

不论前人的模型怎么美妙，都是基于当时观察到的数据先验特点设计的。比如说LDA，就是在语料质量不高的情况下，在PLSA基础上引入贝叶斯估计，以获得更加稳健的主题。虽说用LDA不会大错，但是要在你的具体问题上跑出最好的效果，根据数据特点做模型上的精准改造，是不可避免的。

互联网数据这一现象更加明显，因为没有哪两家公司拥有的数据是相似的。百度的点击率模型，有数十亿的特征，大规模的定制计算集群，独特的深度神经网络结构，你能抄么?抄过来也没用。用教科书上的模型不变应万变，结果只能是刻舟求剑。

改造模型的能力，就不是用几个开源工具那么简单了，这需要有两方面的素养：

一、深入了解机器学习的原理和组件。机器学习领域，有很多看似不那么直接有用的基础原理和组件。比方说，正则化怎么做?什么时候应该选择什么样的基本分布?(如下表) 贝叶斯先验该怎么设?两个概率分布的距离怎么算?当你看到前辈高人把这些材料烹调在一起，变成LDA、CNN这些成品菜肴端上来的时候，也要想想如果自己下厨，是否了解食材，会不会选择和搭配。仅仅会吃几个菜，说出什么味道，离好厨师差的还远着呢。

 

 

二、熟练掌握最优化方法。机器学习从业者不懂最优化，相当于武术家只会耍套路。这就跟雷公太极和闫芳大师一样，实战起来一定是鼻青脸肿。管你设计了一个多牛逼的模型，如果无法在有限的计算资源下找出最优解，那么不过是个花瓶罢了。

最优化，是机器学习最、最、最重要的基础。你要知道，在目标函数及其导数的各种情形下，应该如何选择优化方法;各种方法的时间空间复杂度、收敛性如何;还要知道怎样构造目标函数，才便于用凸优化或其他框架来求解。而这些方面的训练，要比机器学习的模型还要扎实才行。

 

 

根据问题特点调整模型，并解决优化上的障碍，是一名合格的算法工程师应该追求的能力。年薪50万能找到这样的人，是物有所值的。

第三层次"Objective"：擅定义问题

这个层次的工程师，扔给他一个新的实际问题，可以给出量化的目标函数。

当年，福特公司请人检修电机，斯坦门茨在电机外壳画了一条线，让工作人员在此处打开电机迅速排除了故障。结账时，斯坦门茨要1万美元，还开了个清单：画一条线，1美元;知道在哪儿画线，9999美元。

同样的道理，在算法领域，最难的也是知道在哪里画线，这就是对一个新问题构建目标函数的过程。而有明确的量化目标函数，正是科学方法区别于玄学方法、神学方法的重要标志。

目标函数，有时能用一个解析形式(Analytical form)写出来，有时则不能。比方说网页搜索这个问题，有两种目标函数：一种是nDCG，这是一个在标注好的数据集上可以明确计算出来的指标;另一种则是人工看badcase的比例，显然这个没法用公式计算，但是其结果也是定量的，也可以作为目标函数。

定义目标函数，初听起来并没有那么困难，不就是制定个KPI么?其实不然，要做好这件事，在意识和技术上都有很高的门槛。

一、要建立“万般皆下品、唯有目标高”的意识。一个团队也好、一个项目也好，只要确立了正确的、可衡量的目标，那么达到这个目标就只是时间和成本的问题。假设nDCG是搜索的正确目标函数，那么微软也好、Yahoo!也好，迟早也能追上Google，遗憾的是，nDCG这个目标是有点儿问题的，所以后来这两家被越拉越远。

所谓“本立而道生”：一个项目开始时，总是应该先做两件事：一是讨论定义清楚量化的目标函数;二是搭建一个能够对目标函数做线上A/B测试的实验框架。而收集什么数据、采用什么模型，倒都在其次了。

二、能够构造准确(信)、可解(达)、优雅(雅)的目标函数。目标函数要尽可能反应实际业务目标，同时又有可行的优化方法。一般来说，优化目标与评测目标是有所不同的。因此，我们还要找一个“代理目标”，比如似然值或者后验概率，用于求解模型参数。评测目标的定义往往比较直觉，但是要把它转化成一个高度相关，又便于求解的优化目标，是需要相当的经验与功力的。

优雅，是个更高层次的要求;可是在遇到重大问题时，优雅却往往是不二法门。因为，往往只有漂亮的框架才更接近问题的本质。

一个团队的定海神针，就是能把问题转化成目标函数的那个人——哪怕他连开源工具都不会用。100万找到这样的人，可真是捡了个大便宜。

在机器学习领域，算法工程师脚下的进阶之路是清晰的：当你掌握了工具、会改造模型，进而可以驾驭新问题的建模，就能成长为最优秀的人才。沿着这条路踏踏实实走下去，100万并不是什么问题。

文章出自：http://qh.itpxw.cn/peixun/software/201844549.html

文章标题：985本科程序员入职算法岗位 年薪40w直喊妈



免责声明：本站文章均由入驻起航学习网的会员所发或者网络转载，所述观点仅代表作者本人，不代表起航学习网立场。如有侵权或者其他问题，请联系举报，必删。侵权投诉

(责任编辑：IT培训网)