- 前言
- 一、语言基础
- Python
- C++
- 算法数据结构
- 二. 基本开发技能
- 三.机器学习与深度学习
- 四.大数据基础知识
- 五.专业知识
前言
大家好，我是晓云。
前两天有同学私信我，让我推荐一下算法工程师入门书单。今天就和大家抛砖引玉聊聊这个话题。
对于一个算法工程师来说，能力一般可以拆解成几个部分：
语言基础
算法与数据结构
基本开发技能
机器学习与深度学习
大数据基础知识
专业知识（论文、博客、实际经验）
我们就从这几个角度逐一来说。
一、语言基础
推荐配置：Python、C++、Java（或Go），重要性依次递减。
PythonPython毫无疑问是必须的，毕竟现在绝大多数的算法模型都是用Python搭建的。那么基本的Python编程能力肯定是要有的，但一般也不会涉及过多的Python技能。像是什么装饰器、元类这些都很少用到，主要还是停留在对于Python的基础语法以及常用工具的应用层面，并且面试过程当中一般也不会进行Python相关的考察。
推荐书籍：
Python cookbook
fluent Python（流畅的Python）
C++主要用在面试时的算法题和白板编程，目前来说，在刷题领域C++还是主流的刷题语言。个人感觉要比Java和Python更加适合一些。
除此之外，在搜索算法等一些领域也会使用到C++，因此基本的C++开发能力还是必须的。
既然要使用C++进行刷题，除了C++基本语法之外，同样还需要学会使用STL的基本用法，可以大大简化刷题时的编码。
推荐书籍：
C++ Primer
effective STL
这几年各大公司的面试风格越来越向外企靠拢，更加看重算法和数据结构。夸夸其谈说得天花乱坠，题没写出来也只能凉凉。
但是说到算法和数据结构，很多人第一想到的就是《算法导论》和《算法》这种经典的大部头书。老实讲这些书并不是质量不好，而是太过偏理论，实际看完可能理论学了一大堆，但是具体算法应该怎么用，代码应该怎么写可能还是懵的。而且太过理论的书老实讲读起来也挺费劲。
所以这方面还是更推荐一些偏实际应用和实战的书，主要也是一些竞赛的入门书籍。
推荐书籍：
编程之美
剑指offer
挑战程序设计竞赛
算法竞赛入门经典
开发技能和书籍其实关系不大，主要在于一些实战训练。
可以适当做一些小项目锻炼一下工程能力，比如开发一个网站，做一个小app等等。
三.机器学习与深度学习机器学习与深度学习是算法工程师的立身之本，也是面试里的大头。
这里面的东西很多，既有理论也有实战，因此想要全部吃透是一个大工程，绝不是随随便便看两本书就可以搞定的。书籍只能作为入门学习的资料，除了读书之外一些实战也必不可少。
推荐书籍：
统计学习方法
机器学习（周志华）
机器学习实战（基于sklearn，keras和TensorFlow）
机器学习实战
动手学深度学习（pytorch版）
TensorFlow 官方文档
算法工程师要做算法模型，离不开海量数据，自然也就离不开大数据相关的基础知识。
由于只是使用方，而不是开发和维护方，所以也并不需要太过深入的知识储备。只需要对于大数据的各个系统有一定的认知，知道原理，能够使用就可以了。
这里推荐买的也是一些入门读物。
推荐书籍：
hadoop权威指南系列
精通spark数据科学
利用Python进行数据分析
这部分主要基于想要从事的算法方向来决定。
比如说目前算法常规可以分成：搜广推（搜索、广告、推荐）、CV（计算机视觉）、NLP（自然语言处理）、知识图谱等几个领域。
这些领域相对来说都比较前沿，文献较多，但成体系的书籍很少。
推荐书籍：
深度学习推荐系统
自然语言处理入门
李飞飞 CS231（斯坦福公开课，大佬推荐）
不知道大家看到这么多书有什么感觉，估计看着就觉得头大，怎么这么多内容。
我在整理的时候看着也有点恐怖，但真正当你进入学习的过程，其实倒也还好，没有这么痛苦。很多事情只是开头艰难，入门了之后会越来越快。比如机器学习的基础打扎实了再学深度模型，不说轻轻松松，但用到的思路和方法论都是完全相通的。
中间可能也会遇到许多困难，但整体上来说理解起来要容易很多。再比如有了一些开发经验之后再去研究大数据相关的知识，尤其是再结合一些分布式系统的原理和理论的话，你会发现大数据、分布式、后端、 算法，这一套闭环当中很多内容是相通的。
另外，学习是一个持续且长久的过程，毕竟算法领域日新月异，每年都有新技术、新方法、新思路提出，整个产业都在飞速的迭代升级。想要跟上时代，跟上技术潮流就是要不断学习的，这是大势所趋。
所以不要畏惧，也不要心虚，只有自己最了解自己，也只有自己是自己最好的老师，勇敢地去自学吧。
加油！
