算法岗位需要学什么

上周面了个候选人，算法简历上写着“精通TensorFlow”，岗位我问他一维卷积和二维卷积在内存访问上的需学差异，他愣了几秒，算法然后开始背API文档。岗位这不是需学个例。算法岗的算法门槛被培训机构炒得虚高，但实际上，岗位真正干活需要的需学东西，学校里教一半，算法剩下的岗位全靠自己撞墙撞出来。

数学是需学地基，但别被吓住。算法线性代数你得真懂，岗位不是需学会算矩阵乘法那种懂——是能看出来一个矩阵分解为什么能让计算快十倍。概率统计更实用，贝叶斯那套东西，做推荐系统时天天用。微积分反而用得少，除非你在调优涉及梯度的底层逻辑。说句掏心窝的，大部分业务场景用不到高深数学，但你要能看懂论文里的公式，否则连抄都抄不像。

编程能力分三档。第一档是写脚本调库，这谁都会；第二档是能自己实现一个简单的模型训练循环，不用框架的封装；第三档是能看懂框架源码，知道前向传播和反向传播在显存里怎么流转。大多数岗位卡在第二档就够用，但想往上走，第三档是分水岭。我见过太多人调参调得飞起，一让改个自定义loss就抓瞎，就是因为只会调包。

机器学习和深度学习的核心课，别贪多。吴恩达的课看一遍，花书啃两章，然后直接上手kaggle或者天池的赛题。实战里学的比书快十倍。你踩过的坑，比如数据不平衡、过拟合、特征泄漏，这些才是面试官真正想听的。光背概念没用，他们问“你上次项目里怎么处理类别特征”时，你要是答不出具体操作细节，基本就凉了。

数据结构与算法，这块最容易被忽视。很多人以为算法岗就不考刷题了，大错特错。面试手撕代码是常规操作，而且往往是第一关。树、图、动态规划、贪心，这些不能生疏。我认识一个做NLP的大佬，模型调得贼好，但每次跳槽都栽在leetcode medium上，后来他花了三个月专门刷题才过关。别觉得这不合理，现实就是筛选成本高，他们只能先拿这个卡人。

工程能力是隐藏加分项。你会不会用Docker？能不能自己搭个简单的模型服务？懂不懂基本的Linux命令？这些不写进JD，但实际工作中逃不掉。模型再牛，部署不上去或者推理延迟太高，业务方照样骂你。有次我调了个BERT的蒸馏模型，精度掉了不到两个点，但推理速度提了八倍，老板当场拍板给项目加预算——这比你在论文里写十个消融实验都管用。

最后说点虚的——学习路径本身。别指望按部就班看完一百小时网课就能上岗。最有效的办法是找个小项目，端到端做一遍：数据爬取、清洗、特征工程、模型选择、调参、部署上线。哪怕是个垃圾项目，只要走完这个循环，你对整个链条的理解会远超那些只会跑notebook的人。我当年就是靠一个“预测宿舍楼外卖送达时间”的破项目拿到第一份实习的，模型烂得不行，但面试官说我至少知道真实数据有多脏。

说到底，算法岗学什么？学的是解决问题的肌肉记忆。数学、编程、模型、工程，这些都是工具。真正值钱的是你拿到一个模糊问题时，能快速拆解、试错、给出可行方案的能力。这种能力没有捷径，只能靠一个个不眠夜堆出来。