阿里达摩院大佬：自学转算法岗路上的那些坑

目录

• 不要看看不懂的书和视频

• 不要盲目地去实现算法

• 不要埋头学习，忽略和工业界朋友的交流

• 最后，下决心要趁早

众（lian）所（pi）周（yao）知（hou），我是自学转行算法的。算转行比较成功的吧。虽然不是那种手握几篇顶会的大佬。但总算进入了阿里这样的大厂，成为了别人眼中的大厂算法工程师。今天，我想总结一下自己转行自学的过程中踩过的一些坑，希望对你有所帮助和启发。

不要看看不懂的书和视频

既然是自学，途径无非就是看书和看视频两种途径。这些资料，今天已经非常的丰富了。每个人都可以有很多选择。

但这就带来另一个问题：究竟该从什么书，什么视频开始呢？

然后你去问身边已经是算法工程师的朋友，知乎上搜索，发现答案也是五花八门。有的说看西瓜书，有的说直接肝李航书，有的说什么年代了，直接花书走起！有的说那谁谁谁的视频不错，可以认真看看。

显然，这么多答案，等于没有答案。

很多朋友最可能的选择是，选被推荐次数最多的书或者视频来看。然后发现看的脑袋大，最后从入门到放弃。

这样的过程我都经历过，当初硬啃李航书，有很多地方不理解，怎么也想不明白，一度怀疑人生。

回头看，之所以看不懂，不过是当时不具备读那本书的知识基础而已。

自学要想成功，在我看来有两点最关键：

• 持续激发兴趣

• 构建知识结构

兴趣是最好的老师，始终保持一个浓厚的兴趣，学习新知识就不再是一个负担，而是一个快乐的探索过程。好的学习资料一定是每学完一部分，都有种发现新大陆的感觉。如果你在学习的过程中经常有这样的感叹：

“我去，还可以这样！”

“哦，原来是这么回事儿！”

“666！这解法帅呆了！”

那这份资料一定是适合你的！

初入一个领域，越快构建完整的知识结构，越有利于自学。知识结构这个东西，是一个指引，能帮助你判断自己现在学习的怎么样，哪些地方比较薄弱，那些地方是掌握比较好的。

比如，你隐马尔可夫模型学习的不够好。如果你有完整的知识结构，你就可以明白，隐马属于概率图模型的一种，你需要先学习概率图模型。

概率图模型属于贝叶斯派，你又要去理解贝叶斯派和频率派的联系和区别。

和隐马相关的模型有最大熵隐马尔可夫和条件随机场，你需要进一步从概率图模型的角度来学习三者的联系和区别。

从这个例子可以看出，有了知识结构，我们的学习会更加系统，更加主动，而不是东一榔头西一棒子。

一份好的资料一定是时刻注重帮你构建良好清晰的知识结构的。

能做到以上两点的资料，必然是能让你看的懂的资料。那些看不懂的资料，自然就不适合用来入门。这些资料，随着你段位的不断提高，到该看的时候你自然会找来学习。

不要盲目地去实现算法

程序员领域有句行话：代码面前，了无秘密。

很多人学习算法时自然会想，如果能把每一种算法都实现一遍，就一定能够彻底掌握这个算法。然后网上一搜，发现很多人支持鼓励实现一遍算法。于是一头扎在代码里，沉迷不可自拔。

我当时学习的时候，就看了一本python实现各种经典算法的书籍，可以说是跟着抄了一遍代码，对里面的每一行代码都力求深入理解。由此还发现了几个bug，当时出生牛犊不怕虎，跟现在某一线公司AILab的负责人大佬专门交流指出，因为书是他翻译的。

回头来看，我并不觉得这样的做法值得提倡。

我们自学的目的是什么，是转行，而且是尽可能快地转行。

我们的时间精力，必须投向那些最能帮助我们达成目标的事情。

清晰的目标感，会让我们明白，实现算法绝对是一个非常低效达成目标的方式。

如果你去面试，面试官不可能让你用代码实现逻辑回归，实现GBDT或者Transformer。他最多是让你写写公式，问问里面的技术细节。而这些，都是可以在学习原理的过程中就完全掌握的。在时间有限的情况下，强烈不建议你去学习那些算法的实现细节。

为防杠精，我有必要补充两点。我是认同实现算法就能全面彻底，更深刻地掌握算法的。我所不认同的是，时间有限，目标是转行的情况下，投入大量精力去实现很多算法。

当转行成功后，结合工作中用到的算法模型，去学习里面的实现细节，我觉得会是更好的选择。这样，实现算法的过程就可以直接促进工作。

不要埋头学习，忽略和工业界朋友的交流

记得我有段时间，真的是完全沉迷学习，对每一个算法都学的津津有味。

一天天过去，当我准备找工作时，才发现。有个很重要的模型一直没有学，就是xgboost。当时是2017年，xgboost如日中天，而我看的书上并没有这个模型。而工业界使用xgboost已经是非常普遍了。

可想而知，面试时，我下很多精力学习的Adaboost没有什么人问，但是xgboost却是每面必问。

后来，我通过读论文，做项目，迅速掌握了这个模型，这是后来的事儿。

反思这件事儿。我们不难发现一个事实。机器学习，深度学习都处在一个飞速发展的时代，新的模型层出不穷，而且很多模型从论文到工业运用已经缩短到了一两个月的时间，甚至更短。

经典的模型固然要学深悟透，但最前沿的进展也同样要时刻关注，因为新的模型经验做法一旦被运用到工业界，就会成为面试的重点，如果你不能很好的掌握，是很难通过面试的。

获得这些新的进展最好的办法就是多和工业界的朋友交流，他们身在一线，最清楚哪些模型好用，哪些模型只是博士硕士们毕业的垫脚石。这样，就可以有意识地重点学习那些工业界主流的模型，面试的时候就会更有把握。

有的朋友可能说，我没有工业界的朋友怎么办呢？

很简单，很多公众号都有自己的微信群。加进去，活跃一点。没事儿多观察大家聊天的内容，发现里面的大佬，主动请教问题，发个小红包活跃活跃氛围。这不就解决了吗？而且乐意在群里解答大家问题的大佬，一般也是热心帮助人的，你放低姿态请教，都会认真回答的。

最后，下决心要趁早

现在AI领域的求职竞争越来越激烈，很多人开始犹豫，要不要入行，担心学了半天找不到工作。

我没有办法告诉你自学完能不能找到工作。你可以在某乎上搜一下一些大佬们的观点建议。

我只想说，无论你是决定转还是不转，都要早下决心。

时间不会等待犹豫观望的人。

祝好！

如果大家想要学习更多数据科学、数据开发方面的知识，欢迎扫描二维码关注公众号：