时间就是这么快，大厂算法岗5年工作总结

掐指一算，还剩几个月就工作5年了（含实习），时间过得挺快的，接着即将到来的假期，对自己的成长和思路进行了总结，我会分几个角度来总结下自己，并且展望一下自己后续的计划。

技术人，还要一直做技术，总需要持续各级各个技术的发展，同时也要花时间来点亮自己的各个技能项，所以持续的学习成长就是必要的。

1、有关算法模型类

算法模型相关是算法工程师的必修课，我们需要更新自己的知识，完善自己的装备库武器库，从而保证甚至是提升自己的能力。

首先是基本的模型方案学习，虽如我经常谈到的，我们日常应用中使用模型的情况并不多，但是我依旧建议大家还是要持续看模型方面的论文和文章，原因不只是让大家学会这些模型方案，而是通过模型我们能吸收到的是我们日常其实能遇到的问题以及他的解决方案，问题我们是经常遇到，而方法确实多种多样的，我们要能和作者产生首先共鸣是我和他能遇到相似的问题，然后是我们看看是否可以借鉴他的方式或者是用什么降级或者升级方案来解决他的问题。

然后是完整的技术方案，非常建议大家好好看一下。这些资料大都来源于大厂的分享，一般大厂的分享会给大家介绍的都是一大个项目的完整方案。当然除此之外，自己所在项目相关的技术方案和整体架构也尽可能熟悉清楚，这会让自己对技术设计的敏感度有新的提升。

多看数据。众所周知算法项目本身是一个数据依赖性特别严重的，而且最终的算法效果也会随着数据的变化会产生变化，因此只有我们更加熟悉数据、了解数据，才能够更好地完善我们的数据方案。因此经常阅读数据是非常有利于解决问题的，另一方面读数据其实也对我们理解数据的能力有帮助，为什么会有人问为啥我看数据看不出问题，一定原因就和看数据不够有关，看的数据不够对比不出数据的特色，这个和看人识物一样的。建议产品经理也多看看，很多时候问题都反馈应在数据里，无论是单条的数据还是整体数据分布。

多实践。很多问题实践才会被暴露，对某些方法的理解才能得以加深，因此，我们在各种阅读吸收知识的同时，要记得多实践，对比多个方法之前的优缺点，这些优缺点的提炼其实非常有利于我们后续需要考虑的方案选择。

2、有关工程技术类

算法工程师是怎么都避不开工程的，这个入行后的各位应该都有所感受，而没入行的各位也需要时刻明白这点。而为了更好地应对这个问题，我们需要做的就是提升自己的工程能力。

总的来说，工作后我花了大概一年半的时间来集中补充工程方面的能力和知识，这个阶段的整体学习虽然让算法这块小幅度落后，但是工程这块不再成为短板，还算值得，我来简单聊聊我是怎么做的，我的思路是这几点：

• 以工作为起点，去查询自己缺漏的技术点，然后按时学习。例如git、c++/java、shell、hadoop大礼包相关，这些工作中经常遇到的一定要尽快学习起来。

• 官方文档结合网上的教程，快速get起来是关键。

• 通过工作来验证自己的技术，增强技术信心。

我们都知道我们的专长在于解决算法问题，但这不代表所有的工程问题都要丢给工程，或者说不见得所有工程都可以丢给工程做，例如一些数据流的操作，为了不太依赖工程，其实我们需要自己多掌握一些，从而保证很多事情的推进不依赖别人，同时自己的技术也有提升，这对于晋升还是有用的。

3、有关工作技能的成长

很多时候，我们会发现有些事情的进展不佳，不是因为我们的技术不行，而是一些诸如沟通、项目管理等问题导致，因此我们可以沉迷技术，其实还可以多读一些管理学、经济学甚至哲学之类的书籍来提升自己，这种学习我一般是当做闲书来看，平时轻松愉快地阅读一下其实也挺不错的，这块毕竟不是我们现阶段的重点，我不展开啦~

4、学习时间的安排

说实话，学习的时间真的被压缩到很少很少，比较无奈是正常的，我通常的学习时间就是通勤、晚上回家的时间，另外是工作过程有一些调研和方案分析的时候我们是可以借此来学习的，不要太说没时间，大部分时间都是因为自己摸鱼给浪费了。

另外还有一个比较关键的事情就是要学会总结和积累，有一个比较合理的笔记库，通过这个笔记库记录自己做过的事情，总结沉淀下来就是自己的东西了，此时很多东西能被快速记录从而实现快速成长，通过这种方式的成长在新人期其实收获会非常大，所以非常建议大家花点时间把基础的笔记体系建立起来。

小结

这也算是自己的一个里程碑式的结点吧，毕竟没想到自己已经是一个5年的老人了，新人光环逐渐散去，很多事情也要开始独当一面，当然工作中会遇到很多困难，但是这些没打倒我的最终都会成为我的养料。

资料分享

对应初学者来说，最大的困惑是不知道该看什么资料，有问题了不知道该找谁去沟通，我同样经历过这样的阶段。将自己的学习资料进行梳理，同时也建立了一个群。我总相信：独学而无友，则孤陋而寡闻。

如上图所示，在 B站 上，我已收集这六大模块的视频学习资料，部分章节还在更新中，一方面方便自己平时查阅学习，另一方面也分享给那些喜欢在B站上学习的小伙伴。

除了B站外，在公众号后台也放置一部分，需要的小伙伴可在文末一并领取。

目录

获取方式

该资料已打包，梳理不易，获取前麻烦点赞、收藏、关注。获取方法有两种：

• 方式一、发送如下图片至微信，长按识别，回复：2022；
• 方式二、微信搜索公众号：机器学习社区，后台回复：2022