今年是我工作的第四年，一路走來磕磕絆絆，想把自己的學習和工作路徑做一份總結，也希望這份總結能夠幫助那些想成為算法工程師的同學。
這一次不是21天，也不是3個月速成班，而是需要三年！ 我是以一個一線互聯(lián)網公司對算法工程師的要求寫的這份總結和指南，如果你只是想渾水摸魚，急功近利，那么我寫的東西肯定是不適合你的。 在這三年里，我面試了大大小小互聯(lián)網公司15家左右，收割了包括bat在內的大部分offer。當然，有幾份offer是面試多次才獲取的，比如百度，阿里等。 剛畢業(yè)的時候去面試死的很慘，到后期能力提升上來了，面試也就容易了，也形成了一套自己的面試套路：刷題！
因此這篇文章皆在表達以下幾個目的：
自我總結。對過去三年求學和求工作經歷的總結，不斷反思，共同探討
學習路徑規(guī)劃。我會根據(jù)自己的理解推薦三年左右的學習規(guī)劃
面試指南。結合自身的面試經歷，總結出一些可用實踐方案
需要說明的是：文章表達的只是我個人的理解，如果你的理解與我的有出入，那么純屬“不巧合”，以我為準（捂臉???♀?）！ 同時，我是假設你與我一樣的基礎：沒有數(shù)學和計算機基礎，但是至少有本科學歷 這樣的前提條件下來寫的。 此處我不想針對學歷做任何討論，現(xiàn)實的世界就是沒有學歷你將寸步難行，找工作尤為明顯。
我規(guī)劃的學習路線并不是嚴格按照我當初自學的方法來進行的，因為我當初走了很多彎路，踩了很多坑。在閱讀這份總結前需要一點備注信息：
我假設每周能學習10個小時左右，具體怎么分配可習性安排。但是學習要有連貫性，有保證有大塊整段時間來學習！每次學20分鐘這種所謂的零碎時間學習就拉倒吧，你將一事無成
堅持堅持堅持！最難人可貴的不是知識本身而是你的毅力和堅持！智商上的差距真的不是很大，大的是每個人的毅力與野心
不存在所謂的速成班，算法更是如此！也不存在所謂的業(yè)務愛好，走馬觀花搞一搞，算法不是你想搞，想搞就能搞！既然要學，就做好拼盡全力的準備。否則就是在浪費時間，真的！！
我們把整個學習路徑分為三部分：
夯實基礎
機器學習
算法工程師
一、夯實基礎
算法工程師兩把斧，一把是數(shù)學，一把是計算機知識。所謂的算法無非就是應用計算機工具將數(shù)學知識應用到業(yè)務中。 但數(shù)學和計算機的知識包羅萬象，普通人即使終其一生也不可能學完或者學精整個學科。 對于算法工程師來說，我們只挑選最核心的知識來學習即可！下面直擊要害
數(shù)學
統(tǒng)計概率
微積分
線性代數(shù)
機器學習入門
計算機
C/C 語言
數(shù)據(jù)結構和算法
PYTHON編程語言
JAVA編程語言
英文
至少要是大學六級的水平，雅思6.5分，閱讀小分6.5才算合格
我先來說英文，據(jù)我所觀察，英文是區(qū)分一個程序員是否優(yōu)秀的重要標志。你英文好不一定就能成為優(yōu)秀的程序員，但是英文不好很大概率上你不可能成為優(yōu)秀的程序員。 算法這個行業(yè)發(fā)展太快速了，日新月異，大部分資料都是英文的，發(fā)表的paper也肯定都是英文的。中文的翻譯書籍往往還沒出版，英文的版本就已經迭代好幾次了。英文不好，你上不了Google，上不了github，上不了stackoverflow，上不了這個星球上任何優(yōu)秀的程序員網站。 很大程度上，英文能力會對你的學習工作視野產生決定性影響。說到這，很多同學都寒心了，“我就是英文不好，咋辦”。 其實大部分城學員英文都“不好”，包括那些你看到的優(yōu)秀程序員！ 但是有一點他們肯定很厲害，就是英文閱讀的能力。沒錯，對于大部分程序員來說，只要閱讀過關，英文就夠用了，如果聽力還過關，那基本上足夠用了，如果寫作業(yè)過關，那就很厲害了，如果口語也過關，那就忽略我寫的這一段，你將會體驗英文給你帶來的巨大優(yōu)勢！
數(shù)學
數(shù)學是算法的“靈魂”！ 數(shù)學學不好會比英文還糟糕，英文是錦上添花，數(shù)學是你能力的上限！其實發(fā)展到今天，機器學習等知識涉及到是數(shù)學知識實在是太多了，我自身也沒有完全搞清楚或者說將全部的知識弄明白，只能結合自己學習過的以及身邊一些案例來給大家做一個推薦
統(tǒng)計概率
統(tǒng)計學和概率論經常被放在一起使用，直到現(xiàn)在還有很多人在區(qū)分機器學習和統(tǒng)計學，有所謂的“統(tǒng)計派”和“計算機派”（參考吳恩達以及他的恩師喬丹，不是打籃球的那個）。 統(tǒng)計學涉及的回歸分析是機器學習里最簡單的線性模型，概率論里面的概率分布和概率計算是機器學習演算的一個核心。機器學習模型對樣本進行預測的都是給出一個概率值，表達不確定性！
如果你是文科生，數(shù)學又很弱的話，我推薦你學習《商務與經濟統(tǒng)計》。這本書淺顯易懂，不會像國內教材那樣枯燥乏味，每一章節(jié)都會含有一個具體的商業(yè)案例，大量的習題（雖然習題很弱）。每天學習1-1.5個小時，差不多30天能學完。最難的章節(jié)屬于假設檢驗以及線性回歸那里，單也僅僅是相對的難而已，比起機器學習，它毛都不算！
如果你是理科生或者數(shù)學功底不錯的話，我推薦你學習陳希孺的《概率論與數(shù)理統(tǒng)計》。很傳統(tǒng)很經典的中國式教材，但是寫的內容實在是好，前后銜接的恰到好處，由淺入深，概念解釋的直白明了，涵蓋了以后機器學習所需要的幾乎全部概率知識。缺點就是純教科書班的書籍，讀起來略微枯燥。
推薦星級
《商務與經濟統(tǒng)計》 五星
《概率論與數(shù)理統(tǒng)計》 四星
建議學習周期：40天
微積分
我只推薦一本書《普林斯頓微積分讀本》和一門簡單的課程《微積分的本質》。我看過很多微積分的教材，包括同濟的《微積分》以及《托馬斯微積分》，但是都沒有《普林斯頓微積分讀本》更能吸引我的注意力。這本書淺顯易懂，書籍看起來很厚，但是學習起來并不費力，作者的寫作觀點很友好，風格較為輕松卻又不失嚴謹。建議如果基礎較差的同學可以“重頭來過”，好好的跟學一遍！我對泰勒展開式那一章節(jié)尤為記憶深刻，作者先是引入了一個及簡單的案列，接著就此案列進行了深入的講解，一目了然。
《微積分的本質》是三藍一棕出品的簡短視頻，通過酷炫的動態(tài)PPT演示了微積分的過程。但是真的僅僅是入門級別的視頻，就當做課外“讀物”學一學吧
推薦星級
《普林斯頓微積分讀本》 四星
《微積分的本質》 四星
建議學習周期：60天
線性代數(shù)
線性代數(shù)到底怎么學，我真的一直沒有找到很好的方法。我看過很多的書籍和視頻，包括同濟的那一本很薄的書，我一度以為那是本很好的教材，直到我在網易云課堂上學習了MIT的線性代數(shù)課程，像是打開了新世界的大門，原來線性代數(shù)背后的理論并不是憑空記憶而來的。后來又學習了《線性代數(shù)的本質》這套課程，那令人震驚的動畫演示線性變換至今令我記憶猶新！
推薦星級
《MIT線性代數(shù)》 五星
《線性代數(shù)的本質》 五星
建議學習周期：20天
計算機技能
PYTHON
如果你想入門計算機，首先應該先學一門語言，它會是你使用最多的一個工具。而PYTHON幾乎是最簡單的最適合新手學習的一門語言。我個人認為學習PYTHON需要包含以下幾個方面：
PYTHON的基礎語法
使用PYTHON掌握基礎的計算機編程思路
PYTHON用于數(shù)據(jù)處理和數(shù)據(jù)分析
任何一門語言的學習都離不開語法本身，Python也不列外，但相對于其他語言，Python語法就簡潔明了。我看過很多PYTHON入門的書籍，要說好的我就只推薦兩個，一本是《LEARN PYTHON THE HERD WAY》，另一本是《PYTHON編程：從入門到實踐》。如果你每天抽出兩個小時來學習，一般兩個星期就能搞定PYTHON語法。
接下來我推薦學習的可能與你在其他地方看到的不一樣，我希望你能學習一些計算編程思維，再直白一點就是學習一點數(shù)據(jù)結構和算法。 隨著我自己工作經歷的增長，越來越發(fā)現(xiàn)編程思維（數(shù)據(jù)結構和算法）對于工作以及思考問題的重要性，所以直到現(xiàn)在我仍然在不斷的惡補之前落下的數(shù)據(jù)結構和算法。因此你不妨在一開始學習階段就來彌補一些！
我給你推薦的是一本書以及這本書配套的課程，這是我看過的最好的教程： 《PYTHON編程導論》以及EDX上開設的專門的對應視頻課程。這套教程除了講解PYTHON基礎知識外，還會講解常用的編程算法，包括查找，排序，搜索等等，可以說是相當好的入門計算機課程。
PYTHON是一門非常綜合的語言，被發(fā)明出來也不是為數(shù)據(jù)挖掘或者數(shù)據(jù)分析專用的。PYTHON能夠成為“AI第一語言”得益于它眾多的第三方庫，因此我們還需要學習一下專門用來進行數(shù)據(jù)處理的第三方庫：pandas、numpy、matplotlib。唯一推薦的書籍就是pandas作者寫的《利用PYTHON進行數(shù)據(jù)分析》，這本書介紹了幾乎三個庫主流的用法，相當實用。唯一的缺點就是編排比較亂，學的很零散，所以需要你自己好好的總結一番！
推薦星級
《PYTHON編程：從入門到實踐》 四星
《PYTHON編程導論》 五星
《利用PYTHON進行數(shù)據(jù)分析》4星
建議學習周期：30天
機器學習
我們宗旨是成為一名算法工程師，現(xiàn)代意義上算法工程師一般就是指機器學習工程師。在第一年的夯實基礎階段，我們并不能完全深入的學習完機器學習的知識，但是入門還是一定要具備的。機器學習數(shù)學基礎三板斧：微積分、線性代數(shù)、統(tǒng)計概率！ 所以你可以看出來，為什么我花了很大篇幅和你講要認真學習這三門課！
那么入門階段該怎么做呢？ 很簡單，一門課一本書。
一門課
吳恩達《MACHINE LEARNING》公開課
這真的是地球上最好的機器學習入門課程了！我無法用文字來推薦它，總之你就記得學習機器學習看著門課程就絕對錯不了。網上一大堆關于這門課的資料、評價、筆記等等，數(shù)不勝數(shù)！
一本書
《Introduction to Data Mining》(數(shù)據(jù)挖掘導論)
很遺憾，我并沒有推薦周老師的書，也沒有推薦韓老師的書（如果你不認識兩位老師，那就忽略這句話）。 數(shù)據(jù)挖掘導論是我學習過的最好的入門級別的教材，與其它一上來就開始講解模型的書籍相比，這本書會從最開始的數(shù)據(jù)準備，數(shù)據(jù)處理講解，給與新手最好的入門方式。其內容板塊安排的又是相當?shù)暮侠?，尤其是決策樹和異常檢測這兩章，我覺得是相當?shù)木?，手把手教你推導一個決策樹！有一個章節(jié)我覺得可以不學，就是關聯(lián)分析，似乎可能好像仿佛大約已經沒人使用這種技術了，雖然我當初仔細的學習過，而且這本書寫的也相當?shù)暮?，但是真的沒應用過，都快忘記的差不多了。請君自行判斷~
文：小明
