工作时长两年的算法工程师来答一波！

学习方向主要分为 4 个部分：数学基础、编程能力、算法基础、实战。

1、数学基础

在机器学习算法中，涉及到最为重要的数学基本知识有两个：线性代数和概率论。

这两也是大学的必修课了，如果知识早已还给老师，也没关系，哪里不会学补哪里。

线性代数研究的是线性空间的性质，数据通常会被表示为欧式空间中的点，而这些点经过一系列变换后会映射到另一个空间，在新的空间中隐藏在数据中的规律才得以显现。

所以线性代数作为研究空间的一门科学，是入门机器学习的最要基础之一。

视频：推荐 MIT 的老教授 Gilbert Strang 的线性代数上课视频。

没学过线代的同学会发现这门课程，讲得清晰而且直观，深入线代的精髓，完全不是那种理论堆砌的讲法，而且老教授幽默风趣，很有人格魅力。

英文不好，也不用担心，字幕是中文的。PS：资源下载见文末。

教材：推荐《线性代数及其应用》，作者是 David C. Lay 。PS：资源下载见文末。

喜欢看书的朋友，这本书一定不能错过。

这本书详细地介绍了线性代数在几何学、计算机图形学、经济学、概率论、信号与系统、微分方程等领域的应用，给人以直观的认识。

概率论是研究不确定性的一门科学，生活处处是概率。机器学习算法需要对现实情况建模，自然是少不了将概率论作为工具。

这门课入门并不难，大家可以挑一本评分还可以的书开始学习。

这里推荐陈希儒的《概率论与数理统计》，讲得很详细，如同听一个老者回忆自己的概率与统计心得，相信读者也会有所收获。PS：资源下载见文末。

如果时间充裕，推荐先学好数学基础。如果时间不够，那就跳过数学基础部分，学算法的时候，哪里不会补哪里。

2、编程能力

编程语言，需要至少掌握两门， Python 和 C++。

工作中，Python 主要用于处理数据、算法调研、模型训练的工作，而 C++ 则是负责工程落地。

算法工程师，需要针对落地场景，对算法的可靠性和实时性等方面进行优化，C++ 工程能力必不可少。

Python 是一门非常友好的编程语言，不但易于入门而且功能强大，在进行机器学习算法开发的过程中会大量使用 Python。

视频：我上学看的第一个视频，就是小甲鱼 Python 课程，风趣幽默，涉及Python 语法基础、网络爬虫、Pygame 飞机大战等内容，内容很丰富。PS：资源下载见文末。

实战是最好的老师，学习 Python 的时候，可以找一个自己喜欢的方向，去实战。

边实战，边学习。比如写爬虫、做小游戏、玩各种有趣的算法等。

这里面，爬虫是最简单的，很容易有成就感，让你坚持学习下去，下载小说、下载漫画、下载音乐、下载电影、抢票等等小程序。

这个推荐我的一个 Github star 量 11.4k+、fork 4.5k+的爬虫项目。

每个实战，都有对应的文章教程，代码开源。

教材：推荐《流畅的Python》，书看完有些难度，但是哪来当个手册用，很方便，哪些语法忘记了，翻阅一番，必能有所收获。PS：资源下载见文末。

C++ 是一种面向对象的程序设计语言，无论你是做算法，还是做开发，亦或者是做测开。C++ 都应该掌握，它是一个基础的编程语言。学会了这门编程语言，再学其它，就会更得心应手。

视频：这部分推荐慕课网的免费教程，很好的入门视频，老师讲得绘声绘色、形象生动、通熟易懂。

一共分为 7 章，每章视频的时间是 2-3 个小时，半个月可以轻松刷完，学习顺序是：C++远征之起航篇

C++远征之离港篇

C++远征之封装篇(上)

C++远征之封装篇(下)

C++远征之继承篇

C++远征之多态篇

C++远征之模板篇

教材：推荐被誉为“圣经”的《C++ Primer》，经典巨著，非常棒的书。PS：资源下载见文末。

编程语言基础学完了，接下来就是数据结构与算法。

数据结构与算法是程序员的内功，每一个工程师的必修课。

数据结构的学法，我推荐是直接看书，一边学习一边刷题，同时进行，这样学的速度快。

就如同书名一样，这是一本像小说一样有趣的算法入门书，非常易懂，强烈推荐。PS：资源下载见文末。

可以与这本书一同学习的，就是《剑指Offer》，里面讲解了 66 道+ 常见数据结构题，解析思路，简单易懂。

两门书一起看，轻松入门数据结构与算法。

不过《剑指Offer》讲解的代码都是 C/C++，没有 Python 版本，想看 Python 版本的，可以看我整理的教程，C++ 和 Python 都有实现和讲解，题目已按照类型划分好。

两本书都看完，题也刷完了，那就算是入门了。

想进阶，进一步学习，直接上 LeetCode。

力扣可以从 HOT 100 或 精选算法 200 题刷起，题目相对于《剑指Offer》要增加一些难度，但每道题目都有对应的解题思路和答案。

坚持刷完 200 道，大多的面试轻松搞定，完全够用。

当然要面试谷歌级别的大佬，Hard 题是不能放过的。

Tip：刷一遍题，回头看还会忘，不要怀疑自己，要反复刷，反复练习。

3、算法基础

恭喜大家，在做了前面这么多基础工作之后，终于可以开始入门机器学习算法了。

机器学习：

视频：推荐吴恩达老师的机器学习视频，吴恩达是整个领域的巨头之一，学术地位很高。同时，他出的视频也对新手非常友好，入门的不二之选。

教材：还是那句话，光看不练是不行的。《机器学习实战》，理论结合实战，适合新手。PS：资源下载见文末。

《机器学习实战》使用 Python2 实现，有些细节讲的不够细致，对此我进行了完善，使用 Python3 复现了一遍，并结合 sklearn 以及更多的好玩例子，进行讲解。

全网阅读量 500w+：

对应的 Github 开源代码 Star 3.3k+，fork 3.1k+。

在线阅读地址：

深度学习：

深度学习是现在的算法工程师绕不开的一个子领域，是机器学习的子集。

视频：还是推荐吴恩达老师的深度学习视频，也是对新手非常友好。

教材：说实话，深度学习，我并没有看过书，都是视频+ Github 开源项目学习的，不过被誉为深度学习领域圣经的“花书”，可以备一本。PS：资源下载见文末。

深度学习框架：

深度学习框架有很多，Tensorflow、Pytorch、Paddle、MXNet、Caffe等。

我在工作过程中，用的最多的是 Pytorch，其次是 Tensorflow。

新手上手，推荐先学 Pytorch，可以直接看 Yunjey Choi 大佬的 Github 教程，简单入门：

项目地址：

Pytorch 深度学习框架学习，也可以看我写的 Pytorch 深度学习实战系列教程，有垃圾分类、图像分割等结合实战的小项目。

Github 开源代码 Star 400+，fork 250+。

项目地址：

4、实战

实战实战，文章反复提到了这么多次，仅仅这些还是远远不够的。

因为更多时候，你是跟着视频 or 文章的思路去实战，这缺少了独立思考的过程。

学了这么多，你并没有独立完成过一个项目，数据怎么处理，怎么分析问题，用什么算法解决问题，也没有独立思考过。

算法工程师的岗位竞争也比较激烈的，为了在茫茫人海中脱颖而出，我们需要以团队或个人的形式，独立完成一些项目，只有这样，你才能更具竞争力。

对于学生党，做项目，最简单直接的方法就是参加竞赛。

推荐两个参加竞赛的地方，一个是国外的 Kaggle，另一个是国内的阿里云天池。

两个竞赛的奖金也都很丰富，根据自己的喜好，参赛即可。

既能打比赛，又能赢奖金，何乐而不为呢？

三、资料打包

本文提到的资料，我都整理好了

有需要的自取(提取码：jack)：

四、絮叨

这篇文章整理的也是我的学习路线。

要说需要学多久，那就看个人的学习动力了。

如果你想去一家不错的公司，但是目前硬实力不过关，我觉得还是有必要去努力一下的，技术能力的高低决定你能走多远，平台的高低，决定你能飞多高。

如果可以通过自己的努力，进入自己心仪的公司，一定不要松懈怠慢，职场成长和学习新技术一样，不进则退。

你往往会发现，身边实力越强的人越努力，最高级的自律就是享受孤独。

创作不易，本期硬核，感谢点赞支持！笔芯~ 记得关注我哟 @Jack-Cui

祝点赞的人，人人都是offer收割机！