1、数学：微积分，统计学，线性代数；
2、周边学科：信息论基础；
3、推荐算法： CF，LR，SVM，FM，FTRL，GBDT，RF，SVD，RBM，RNN，LSTM，RL；
4、数据挖掘：分类，聚类，回归，降维，特征选择，模型评价。
1、操作系统： Linux；
2、编程语言： Python/R， Java/C++/C，sql，shell；
3、RPC框架： thrift， Dubbo，gRPC；
4、web服务： tornado, django, flask；
5、数据存储： redis, hbase, cassandra, mongodb, mysql, hdfs，hive, kafka, elasticsearch；
6、机器学习/深度学习： Spark MLib，GraphLab/GraphCHI，Angel，MXNet，TensorFlow，Caffe, Xgboost，VW，libxxx；
7、文本处理： Word2vec，Fasttext，Gensim，NLTK；
8、矩阵分解： Spark ALS，GraphCHI，implicit，qmf，libfm；
9、相似计算： kgraph, annoy，nmslib, GraphCHI, columnSimilarities(spark.RowMatrix)；
10、实时计算： Spark Streaming, Storm，Samza。
1、熟悉常见离线效果指标：准确率，召回率，AUC，基尼系数；
2、能够定义产品效果指标：点击率，留存率，转换率，观看完整率；
3、会做对比试验并分析实验结果：指标数据可视化；
4、知道常见推荐产品的区别： Feed流推荐，相关推荐，TopN推荐，个性化推送；
四、其他软技能
1、英文阅读：读顶级会议的论文、一流公司和行业前辈的经典论文和技术博客，在Quora和Stack Overflow上和人交流探讨；
2、代码阅读：能阅读开源代码，从中学习优秀项目对经典算法的实现；
3、沟通表达：能够和其他岗位的人员沟通交流，讲明白所负责模块的原理和方法，能听懂非技术人员的要求和思维，能分别真需求和伪需求并且能达成一致。
