一、前述
2020是不平凡的一年。展望2021，希望大家都能有所收穫。在此談下算法方面的工作。
二、工作類別
目前算法工作的話，第一類是數據挖掘，它包含的知識，跟機器學習相關度會更大，包含常規的數據挖掘以及推薦算法。在數據挖掘裏面，要單獨的會機器學習的特徵工程，和其它的領域的知識，比方金融公司，可能要知道一些金融公司業務方面的知識。
數據挖掘，可能有幾個附加的知識也需要知道，有的數據挖掘崗，它需要一些機器學習和大數據的組合，還有一種是機器學習的知識，加上自然語言處理的這方面。 新浪微博的數據挖掘崗，可能也需要你會一些自然語言處理方面的東西。
兩種組合，一種是傳統的數據挖掘和自然語言處理組合打包，是比較搶手的，因爲相當於是兩個方面的。另外一個就是數據挖掘和大數據方面的組合的叫大數據挖掘。還有一些數據挖掘方面的，推薦系統，它也是屬於這個種類的。
第二類就是圖像視覺方面，目前最熱的是人臉識別，還有就是目標檢測、目標追蹤。
剛纔說的這些，流行的做法是用深度學習來做。如果是做圖像視覺的話，一定要看圖像視覺方面的書，你比方說 數字圖像處理，模式識別，這兩本書得看一下，額外具備的知識。
第三類是自然語言處理，第一個是用深度學習做自然語言處理，目前最難的就是聊天機器人，還有用深度學習做實體識別的，語意相似度計算。
如果想在自然語言處理這方面很多工作都得心應手的話，你要加強自己的附加東西，比方說要會實體識別，會算法分析。
自然語言處理的崗位，第一個要求你會意圖識別，第二個是語義分析，第三個是智能智能問答，第四個是智能客服。
上面是工作涉及比較多的。還有機器翻譯，相對少一些，這些是工作的方向。
三、總結
一個是圖像視覺，一個是自然語言處理，一個是數據挖掘，你要儘快的想好去哪個領域，跟你的興趣愛好是有很大幫助的。
還有幾個比較偏一點的，語音識別是2017年的薪資最高的，應屆生的話，碩士以上的學歷，出來就是27K到30K，這個是boss直聘上統計出來的。2017年它是最火的，2018年它也不會少多少，有一個領域知識，肯定比泛泛的只會機器學習、會深度學習，沒有領域強項的要有競爭力。
所以要儘快的不斷地要把機器學習、深度學習要學好，儘快的把你的領域方向定下來，然後把這個領域上面欠缺的東西，用業餘時間把它加強，把它做完整。
語音識別、語音合成，可能需要掌握的知識就是數字信號處理，還有信號與系統這兩個東西。
當然還有一個領域考研招的人更少，那就是智能機器人以及無人駕駛，無人駕駛汽車、無人駕駛飛機，它涉及到的算法是強化學習，後兩個不建議去找，一開始就找後面兩個的話，難度會很大，並不是說它的知識比別人難，最主要是這個崗位要少一些，意味着機會就少。
我建議是前面三個，數據挖掘崗，自然語言處理崗，圖像視覺崗。
四、具體入門工具
數據挖掘崗在我們的學習體系裏面，主要涉及機器學習方面東西要多一些，尤其是特徵工程， 80%的時間在公司裏面，在做特徵工程的一些東西。
圖像視覺需要的知識，主要是深度學習，現在基本上就不太會用傳統的機器學習或其它別的算法。
自然語言處理，一半對一半，深度學習來處理自然語言處理佔了一部分，它是最先進也最難的。還有一部分是基於傳統的規則的基於語法分析，然後做自然語言處理方面的東西，佔了很大一部分。
若做圖像視覺用到的工具是OpenCV可能要比較掌握的熟練，其次就是tensorflow，在tensorflow掌握得很好的情況下，可以再考慮用caffe，如果tensorflow還掌握的不熟練，建議使用tensorflow，它有這種趨勢，把其它別的深度學習框架全部覆蓋掉，以及目前應用較多的pytorch
自然語言處理領域，jieba主要是用來做分詞的，第二是nltk能做分詞，還能做詞性標註，還能做實體識別以及語義分析，句子結構分析。
目前跟傳統的自然語言處理以及深度學習半結合的叫做gensim。這個是過渡階段的，既有傳統的又有深度學習的。還有一個就是tensorflow最難的，傾向於機器學習叫做spark mlib，最大的不同是它用集羣做的。
這些掌握了，基本上工具方面就全部包含了。
五、算法入門系列課程
https://edu.csdn.net/lecturer/3959
可以幫助你快速入門基礎算法。15節大白話算法 ，後續會持續更新。以通俗生動的方式講解人工智能前沿算法。願景是打造全網AI最通俗教學，贈人玫瑰，手有餘香，在人工智能前行的路上一起前行，以通俗簡潔詳細的方式，讓每一位熱愛着深入其中。空間有形、夢想無限！加油！