1.6萬字超級干貨 ：算法工程師技術路線圖
這是一份寫給公司算法組同事們的技術路線圖，其目的主要是為大家在技術路線的成長方面提供一些方向指引，配套一些自我考核項，可以帶著實踐進行學習，加深理解和掌握。
工程師能力層級概覽
對于不同級別的算法工程師技能要求，我們大致可以分成以下幾個層級：
初級：可以在一些指導和協(xié)助下獨立完成開發(fā)任務。具體到算法方面，需要你對于工具框架，建模技術，業(yè)務特性等方面有一定的了解，可以獨立實現(xiàn)一些算法項目上的需求。
中級：可以基本獨立完成一個項目的開發(fā)與交付。在初級工程師的基礎上，對于深入了解技術原理的要求會更高，并且能夠應對項目中各種復雜多變的挑戰(zhàn)，對于已有技術和工具進行改造適配。在整體工程化交付方面，對于代碼質(zhì)量，架構設計，甚至項目管理方面的要求會開始顯現(xiàn)。另外從業(yè)務出發(fā)來評估技術選型和方案也變得尤為重要。
高級：可以獨立負責一條產(chǎn)品線的運作。在中級工程師的基礎上，需要更廣闊的技術視野與開拓創(chuàng)新能力，定義整個產(chǎn)品線的前進方向。解決問題已經(jīng)不是關鍵，更重要的是提出和定義問題，能夠打造出在業(yè)界具有領先性和差異性的產(chǎn)品，為公司創(chuàng)造更大的價值。
事實上對于不同層級的工程師，非技術部分的要求都有一定占比。本文主要聚焦在技術路線圖上，對于其他方面的學習進階路線不會做覆蓋。
編程能力
Python：
Python是算法工程師日常工作中最常用的語言，應該作為必須掌握的一門技術。大致的學習路線如下：
學習掌握Python的基本語法，可以通過各類入門教程來看，個人推薦《Learn Python the Hard Way》。
自我考核：能夠讀懂大多數(shù)的內(nèi)部項目及一些開源項目代碼的基本模塊，例如pandas, sklearn等。 學習Python的編程風格，建議學習觀遠內(nèi)部的Python代碼規(guī)范。
自我考核：編寫的代碼符合編碼規(guī)范，能夠通過各類lint檢查。
Python進階，這方面有一本非常著名的書《Fluent Python》，深入介紹了Python內(nèi)部的很多工作原理，讀完之后對于各類疑難問題的理解排查，以及語言高級特性的應用方面會很有幫助。另外動態(tài)語言元編程這塊，《Ruby元編程》也是一本非常值得推薦的書。
自我考核：能夠讀懂一些復雜的Python項目，例如sqlalchemy中就大量使用了元編程技巧。在實際工程項目中，能夠找到一些應用高級技巧的點進行實踐，例如基于Cython的性能優(yōu)化等。 領域應用，Python的應用相當廣泛，在各個領域深入下去都有很多可以學習的內(nèi)容，比如Web開發(fā)，爬蟲，運維工具，數(shù)據(jù)處理，機器學習等。這塊主要就看大家各自的興趣來做自由選擇了，個人推薦熟悉了解一下Python web開發(fā)，測試開發(fā)相關的內(nèi)容，開拓視野。
自我考核：以Web開發(fā)和測試開發(fā)為例，嘗試寫一個簡單的model serving http服務，并編寫相應的自動化測試。
Scala/Java：
Java目前是企業(yè)級開發(fā)中最常用的軟件，包括在大數(shù)據(jù)領域，也是應用最廣泛的語言，例如當年的Hadoop生態(tài)基本都是基于Java開發(fā)的。
Scala由于其函數(shù)式編程的特性，在做數(shù)據(jù)處理方面提供了非常方便的API，也因為Spark等項目的火熱，形成了一定的流行度。在進行企業(yè)級的軟件開發(fā)，高性能，大規(guī)模數(shù)據(jù)處理等方面，JVM上的這兩門語言有很大的實用價值，值得學習。
順帶一提，Scala本身是一門非常有意思的語言，其中函數(shù)式編程的思想與設計模式又是非常大的一塊內(nèi)容，對于拓寬視野，陶冶情操都是挺不錯的選擇。
考慮到算法工程師的工作內(nèi)容屬性，這邊給出一個Scala的學習路線：
學習掌握Scala的基本語法，開發(fā)環(huán)境配置，項目編譯運行等基礎知識。這里推薦Coursera上Martin Odersky的課程，《快學Scala》或《Programming in Scala》兩本書也可以搭配著瀏覽參考。
自我考核：能使用Scala來實現(xiàn)一些簡單算法問題，例如DFS/BFS。或者使用Scala來處理一些日常數(shù)據(jù)工作，例如讀取日志文件，提取一些關鍵信息等。 學習使用Scala來開發(fā)Spark應用，推薦edX上的《Big Data Analytics Using Spark》或者Coursera上的《Big Data Analytics with Scala and Spark》，另外有些相關書籍也可以參考，比如《Spark快速大數(shù)據(jù)分析》等。
自我考核：能夠使用Spark的Scala API來進行大規(guī)模的數(shù)據(jù)分析及處理，完成lag feature之類的特征工程處理。 JVM的原理學習，Scala/Java都是JVM上運行的優(yōu)秀語言，其背后是一個非常大的生態(tài)，包括在Web，Android，數(shù)據(jù)基礎架構等方面有廣泛的應用。JVM相比Python虛擬機，發(fā)展更加成熟，有一套非常完善的JDK工具鏈及衍生的各類項目，便于開發(fā)者debug，調(diào)優(yōu)應用。這方面推薦學習周志明的《深入理解Java虛擬機》。
自我考核：理解JVM GC原理，能通過JDK中相關工具或者優(yōu)秀的第三方工具如arthas等，排查分析Spark數(shù)據(jù)應用的資源使用情況，GC profiling，hot method profiling等，進而進行參數(shù)優(yōu)化。 計算機語言理論。Programming Language作為計算機科學的一個重要分支，包含了很多值得深入研究的主題，例如類型論，程序分析，泛型，元編程，DSL，編譯原理等。這方面的很多話題，在機器學習方面也有很多實際應用，比如TVM這類工作，涉及到大量編譯原理的應用，知乎大佬“藍色”也作為這個領域的專家在從事深度學習框架相關的工作。llvm, clang作者Chris Lattner也加入Google主導了Swift for Tensorflow等工作。Scala作為一門學術范非常強的語言，擁有極佳的FP，元編程等能力支持，強大的類型系統(tǒng)包括自動推理，泛型等等高級語言特性，相對來說是一門非常“值得”學習的新語言，也是一個進入PL領域深入學習的"gateway drug" :) 對這個方面有興趣的同學，可以考慮閱讀《Scala函數(shù)式編程》，《冒號課堂》，以及Coursera上《Programming Languages》也是一門非常好的課程。另外只想做科普級了解的同學，也可以讀一讀著名的《黑客與畫家》感受一下。
C/C++/Rust
當前流行的算法框架，例如TensorFlow, PyTorch, LightGBM等，底層都是基于C++為主要語言進行實現(xiàn)的。但是C++本身過于復雜，使用場景也比較有限制，建議只需要達到能夠讀懂一些基礎的C++代碼邏輯即可。
在系統(tǒng)級開發(fā)領域，目前有一門新語言逐漸崛起，連續(xù)幾年被StackOverflow投票評選為程序員最喜愛的語言：Rust。從設計理念和一些業(yè)界應用（例如TiKV）來看還是非常不錯的，但是我也沒有深入學習了解過，就不做具體推薦了。
這方面建議的學習內(nèi)容包括經(jīng)典的《The C Programming Language》以及Rust官方的：github.com/rust-lang/ru
自我考核：能夠讀懂LightGBM里對于tweedie loss的相關定義代碼。
操作系統(tǒng)
基本概念：
我們所編寫的算法應用，都是通過操作系統(tǒng)的環(huán)境運行在物理硬件之上的。在實際運作過程中，會碰到不少相關的問題，例如為什么程序報了資源不足的錯誤，為什么notebook在瀏覽器里打不開，為什么進程hang住了沒有響應等等，都需要一些操作系統(tǒng)的知識來幫助理解和分析問題，最終排查解決。
操作系統(tǒng)涵蓋的內(nèi)容比較多，建議一開始只需要了解一些主要概念（例如硬件結構，CPU調(diào)度，進程，線程，內(nèi)存管理，文件系統(tǒng)，IO，網(wǎng)絡等），對于整體圖景有一些感覺即可。后續(xù)碰到了實際問題，可以再在各個部分深入學習展開。
優(yōu)秀的學習資料也有很多，基本都是大部頭，重點推薦《深入理解計算機系統(tǒng)》，《Operating Systems: Three Easy Pieces》，以及《現(xiàn)代操作系統(tǒng)》。
自我考核：能夠基本明確運行一個模型訓練任務過程中，底層使用到的硬件，操作系統(tǒng)組件，及其交互運作的方式是如何的。
Linux基礎：
平時工作中最常用的兩個操作系統(tǒng)CentOS和macOS，都是Unix/Linux系的，因此學習掌握相關的基礎知識非常重要。一些必須掌握的知識點包括：Shell與命令行工具，軟件包管理，用戶及權限，系統(tǒng)進程管理，文件系統(tǒng)基礎等。
這方面的入門學習資料推薦《鳥哥的Linux私房菜》，基本涵蓋了Linux系統(tǒng)管理員需要掌握知識的方方面面。進階可以閱讀《Unix環(huán)境高級編程》，對于各種系統(tǒng)調(diào)用的講解非常深入，可以為后續(xù)性能調(diào)優(yōu)等高級應用打下基礎。
自我考核：開發(fā)一個shell小工具，實現(xiàn)一些日常工作需求，例如定時自動清理數(shù)據(jù)文件夾中超過一定年齡的數(shù)據(jù)文件，自動清理內(nèi)存占用較大且運行時間較久的jupyter notebook進程等。
深入應用：
工作中碰到的疑難問題排查，性能分析與優(yōu)化，系統(tǒng)運維及穩(wěn)定性工程等方面，都需要較為深入的計算機體系和操作系統(tǒng)知識，感興趣的同學可以針對性的進行深入學習。
以性能優(yōu)化為例，可以學習經(jīng)典的《性能之巔》，了解其中的原理及高級工具鏈。像其中的系統(tǒng)調(diào)用追蹤(strace)，動態(tài)追蹤(systemtap, DTrace, perf, eBPF)等技術，對于操作系統(tǒng)相關的問題排查都會很有幫助。
自我考核：能夠分析定位出LightGBM訓練過程中的性能瓶頸，精確到函數(shù)調(diào)用甚至代碼行號的級別。
軟件工程
算法與數(shù)據(jù)結構：
暫時先把這塊放到軟件工程模塊下。這里指的算法是計算機科學中的經(jīng)典算法，例如遞歸，排序，搜索，動態(tài)規(guī)劃等，有別于我們常說的機器學習算法。
這塊的學習資料網(wǎng)上有非常多，個人當年是通過普林斯頓的算法課(需要有Java基礎)入門，后來又上了斯坦福的算法分析與設計，開拓了一些視野。
書籍方面推薦新手從《算法圖解》入門，然后可以考慮閱讀Jeff Erickson的《Algorithms》，或者選擇上面提到的網(wǎng)課。另外像《編程珠璣》，《編程之美》等也可以參閱，里面有不少問題的巧妙解法。
除了從書本中學習，還可以直接去LeetCode等網(wǎng)站進行實戰(zhàn)操作進行練習提高。
自我考核：能夠設計相關的數(shù)據(jù)結構，實現(xiàn)一個類似airflow中點擊任意節(jié)點向后運行的功能。
代碼規(guī)范：
從初級程序員到中高級程序員，其中比較大的一個差異就是代碼編寫習慣上，從一開始寫計算機能理解，能夠運行成功的代碼，逐漸演化到寫人能夠理解，易于修改與維護的代碼。
在這條學習路徑上，首先需要建立起這方面的意識，然后需要在實戰(zhàn)中反復思考和打磨自己的代碼，評判和學習其它優(yōu)秀的項目代碼，才能逐漸精進。
推薦的學習書籍有《編寫可讀代碼的藝術》，一本非常短小精悍的入門書籍，后續(xù)可以再慢慢閱讀那些經(jīng)典大部頭，例如《Clean Code》，《Code Complete》，《The Pragmatic Programmer》等。這方面Python也有一本比較針對性的書籍《Effective Python》，值得一讀。
自我考核：審視自己寫的項目代碼，能發(fā)現(xiàn)并修正至少三處不符合最佳編碼實踐的問題。
設計模式：
在代碼架構方面，設計模式是一個重要的話題，對于日常工作中出現(xiàn)的許多典型場景，給出了一些解決方案的“套路”。這方面最著名的書當屬GoF的《設計模式》，不過個人并不十分推薦，尤其是以Python作為主要工作語言的話，其中很大部分的設計模式可能并不需要。入門可以瀏覽一下這個網(wǎng)站掌握一些基本概念：
refactoringguru.cn/desi?，后續(xù)可以考慮閱讀《Clean Architecture》，《重構》等相關數(shù)據(jù)，理解掌握在優(yōu)化代碼架構過程中思考的核心點，并加以運用。Python相關的設計模式應用，還可以參考《Python in Practice》。
自我考核：在項目中，找到一處可以應用設計模式的地方，進行重構改進。
質(zhì)量保障：
對于需要實際上線運行的軟件工程，質(zhì)量保障是非常重要的一個環(huán)節(jié)，能夠確保整個產(chǎn)品按照期望的方式進行運作。在機器學習項目中，由于引入了數(shù)據(jù)這個因素，相比傳統(tǒng)的軟件測試會有更高的難度，也是業(yè)界還在摸索前進的方向。
建議可以先閱讀《單元測試的藝術》或《Google軟件測試之道》，大致理解軟件測試的一些基本概念和運作方式，在此基礎上可以進一步閱讀Martin Fowler對于機器學習領域提出的CD4ML中相關的測試環(huán)節(jié)，學習sklearn，LightGBM等開源庫的測試開發(fā)方式，掌握機器學習相關的質(zhì)量保障技術能力。
自我考核：在項目中，實現(xiàn)基礎的數(shù)據(jù)輸入測試，預測輸出測試。
項目管理：
軟件工程推進過程中，項目管理相關的技能方法與工具運用也非常的關鍵。其中各種研發(fā)流程與規(guī)范，例如敏捷開發(fā)，設計評審，代碼評審，版本管控，任務看板管理等，都是實際項目推進中非常重要的知識技能點。
這方面推薦學習一本經(jīng)典的軟件工程教材《構建之法》，了解軟件項目管理的方方面面。進一步來說廣義的項目管理上的很多知識點也是后續(xù)深入學習的方向，可以參考極客時間上的課程《項目管理實戰(zhàn)20講》。
自我考核：在某個負責項目中運用項目管理方法，完成一個實際的需求評估，項目規(guī)劃，設計與評審，開發(fā)執(zhí)行，項目上線，監(jiān)控維護流程，并對整個過程做復盤總結。
高級話題：
軟件工程師在技能方向成長的一條路線就是成為軟件架構師，在這個方向上對于技能點會有非常高的綜合性要求，其中也有不少高級話題需要深入學習和了解，例如技術選型與系統(tǒng)架構設計，架構設計原則與模式，寬廣的研發(fā)知識視野，高性能，高可用，可擴展性，安全性等等。
有興趣的同學可以了解一下極客時間的《從0開始學架構》這門課，逐漸培養(yǎng)這方面的視野與能力。
另外如《微服務架構設計模式》還有領域驅動設計方面的一系列書籍也值得參考學習。
自我考核：設計一個算法項目Docker鏡像自動打包系統(tǒng)。
算法基礎
數(shù)據(jù)分析：
數(shù)學基礎：
在進行算法建模時，深入了解數(shù)據(jù)情況，做各類探索性分析，統(tǒng)計建模等工作非常重要，這方面對一些數(shù)學基礎知識有一定的要求，例如概率論，統(tǒng)計學等。這方面除了經(jīng)典的數(shù)學教材，也可以參考更程序員向的《統(tǒng)計思維》，《貝葉斯方法》，《程序員的數(shù)學2》等書籍。
自我考核：理解實際項目中的數(shù)據(jù)分布情況，并使用統(tǒng)計建模手段，推斷預測值的置信區(qū)間。
可視化：
在進行數(shù)據(jù)分析時，可視化是一個非常重要的手段，有助于我們快速理解數(shù)據(jù)情況，發(fā)掘數(shù)據(jù)規(guī)律，并排查異常點。對于各種不同類型的數(shù)據(jù)，會對應不同的可視化最佳實踐，如選擇不同的圖表類型，板式設計，分析思路編排，人機交互方式等等。
另一方面，可視化與數(shù)據(jù)報告也是我們與不同角色人群溝通數(shù)據(jù)insights的一個重要途徑，需要從業(yè)務角度出發(fā)去思考可視化與溝通方式。
這方面可以參考《Storytelling with Data》，《The Visual Display of Quantitative Information》等經(jīng)典數(shù)據(jù)，同時也需要培養(yǎng)自己的商業(yè)背景sense，提升溝通能力。
自我考核：對內(nèi)溝通方面，能使用可視化技術，分析模型的bad case情況，并確定優(yōu)化改進方向。對外溝通方面，能獨立完成項目的數(shù)據(jù)分析溝通報告。
誤差分析與調(diào)優(yōu)：
在做算法模型調(diào)優(yōu)改進中，需要從數(shù)據(jù)分析的基礎上出發(fā)來決定實驗方向，這么做有幾個好處：
從分析出發(fā)指導調(diào)優(yōu)更有方向性，而不是憑經(jīng)驗加個特征，改個參數(shù)碰運氣。哪怕是業(yè)務方提供的信息，也最好是有數(shù)據(jù)分析為前提再做嘗試，而不是當成一個既定事實。
由分析發(fā)現(xiàn)的根源問題，對于結果驗證也更有幫助。尤其在預測的數(shù)據(jù)量極大情況下，加一個單一特征很可能總體只有千分位準確率的提升，無法確定是天然波動還是真實的提升。但如果有分析的前提，那么我們可以有針對性的看對于這個已知問題，我們的調(diào)優(yōu)策略是否生效，而不是只看一個總體準確率。
對于問題的徹底排查解決也更有幫助，有時候結果沒有提升，不一定是特征沒用，也可能是特征代碼有bug之類的問題。帶著數(shù)據(jù)分析的目標去看為什么這個特征沒有效果，是模型沒學到還是特征沒有區(qū)分度等，有沒有改進方案，對于我們評判調(diào)優(yōu)嘗試是否成功的原因也更能徹查到底。
數(shù)據(jù)分析會幫助我們發(fā)現(xiàn)一些額外的問題點，比如銷量數(shù)據(jù)清洗處理是不是有問題，是不是業(yè)務本身有異常，需要剔除數(shù)據(jù)等。
這方面在業(yè)界有一些關于誤差分析的探索研究，不過大多數(shù)都是基于分類問題的，例如《Identifying Unknown Unknowns in the Open World》，《A Characterization of Prediction Errors》等。可以在了解這些研究的基礎上，結合具體的業(yè)務情況，深入思考總結誤差分析的思路與方法論。
自我考核：在項目中形成一套可以重復使用的誤差分析方案，能夠快速從預測輸出中定位到目前模型最重要的誤差類別，并一定程度上尋找到根本原因。
機器學習基礎
傳統(tǒng)機器學習：
這塊大家應該都非常熟悉了，初階的學習路線可以參考周志華老師的《機器學習》，涵蓋了機器學習基礎，常用機器學習方法，和一些進階話題如學習理論，強化學習等。
如果希望深化理論基礎，可以參考經(jīng)典的《PRML》，《ESL》和《統(tǒng)計學習方法》。在實戰(zhàn)中，需要綜合業(yè)務知識，算法原理，及數(shù)據(jù)分析等手段，逐漸積累形成建模調(diào)優(yōu)的方法論，提高整體實驗迭代的效率和成功率。
自我考核：結合實際業(yè)務和機器學習理論知識，挖掘項目中算法表現(xiàn)不夠好的問題，并通過算法改造進行提升或解決。
深度學習：
近些年興起的深度學習，已經(jīng)成為機器學習領域一個非常重要的分支，在各個應用方向發(fā)揮了很大的作用。相對于傳統(tǒng)機器學習，對于特征工程要求的降低成了其核心優(yōu)勢。
另一方面，深度學習對于大數(shù)據(jù)量，大規(guī)模算力的應用能力很強，也一定程度上提升了整體的產(chǎn)出效果。由于理論方面的研究稍顯落后，深度學習在實際應用中對于使用者的經(jīng)驗技能要求相對比較高，需要有大量的實戰(zhàn)經(jīng)驗才能達到比較理想的效果。
這方面的學習資料推薦Keras作者的《Deep Learning with Python》，以及《Hands-on Machine Learning with Scikit-Learn and TensorFlow》，而在理論方面推薦著名的“花書”《Deep Learning》。
在學習理論原理的基礎上，尤其要注意在實際算法應用中，能夠通過觀察各種指標與數(shù)據(jù)分析，找到提升模型的操作改進方向。
自我考核：能夠在實際項目中，使用深度學習模型，達到接近甚至超過傳統(tǒng)GBDT模型的精確度效果，或者通過ensemble，embedding特征方式，提升已有模型的精度。
領域建模：
目前我們的業(yè)務領域在時間序列預測，自然語言處理，推薦等方面，其它類似圖像，搜索，廣告等領域也都有各自的一些領域建模方法。
在時間序列領域，包括了傳統(tǒng)時序模型，如ARIMA, Prophet，機器學習模型，如劃動窗口特征構建方法結合LightGBM，及深度學習模型，例如LSTM，seq2seq，transformer等。
這方面可以參考Kaggle上相關比賽的方案分享，以及Amazon，Uber，天貓等有類似業(yè)務場景公司的分享資料。其它領域也是類似，通過了解歷史技術演進，相關比賽，業(yè)界的方案分享與開源項目，會議論文來逐漸掌握學習建模方法，結合實際業(yè)務進行實踐嘗試，積累起更加體系性的個人知識技能。
自我考核：在項目中復現(xiàn)一個Kaggle獲勝方案，檢驗其效果，分析模型表現(xiàn)背后的原因，并嘗試進行改進。
算法框架
數(shù)據(jù)處理框架：
在項目實施過程中，會需要各類復雜的數(shù)據(jù)處理操作，因此熟練掌握此類框架就顯得尤為重要。
目前行業(yè)的標準基本上會參照Pandas DataFrame的定義，在數(shù)據(jù)量較大的情況下，也有許多類似的框架，如Spark，Dask，Modin，Mars等支持分布式運行的DataFrame，以及cuDF，Vaex等提升單機性能的改進實現(xiàn)。
這方面經(jīng)典的書籍可以參考Wes McKinney的《Python for Data Analysis》，在掌握基礎數(shù)據(jù)操作的基礎上，可以進而了解窗口函數(shù)，向量化性能優(yōu)化等高級話題。
另外SQL也可以做非常復雜的數(shù)據(jù)處理工作，有不少公司例如阿里會以SQL為主來構建數(shù)據(jù)處理流程，感興趣的同學也可以學習一下SQL中各種高級計算的使用及優(yōu)化方法。
自我考核：在已有項目中，能把至少三個使用apply方法的pandas處理修改成向量化運行，并測試性能提升。使用window function或其它方案來實現(xiàn)lag特征，減少join次數(shù)。
機器學習框架：
機器學習方面的新框架層出不窮，一方面我們需要掌握經(jīng)典框架的使用方式，理解其模塊構成，接口規(guī)范的設計，一定程度上來說其它新框架也都需要遵循這些業(yè)界標準框架的模塊與接口定義。
另一方面對于新框架或特定領域框架，我們需要掌握快速評估，上手使用，并且做一定改造適配的能力。一些比較經(jīng)典的框架有：
通用機器學習：scikit-learn，Spark ML，LightGBM
通用深度學習：Keras/TensorFlow，PyTorch
特征工程：tsfresh, Featuretools，F(xiàn)east
AutoML：hyperopt，SMAC3，nni，autogluon
可解釋機器學習：shap，aix360，eli5，interpret
異常檢測：pyod，egads
可視化：pyecharts，seaborn
數(shù)據(jù)質(zhì)量：cerberus，pandas_profiling，Deequ
時間序列：fbprophet，sktime，pyts
大規(guī)模機器學習：Horovod，BigDL，mmlspark
Pipeline：MLflow, metaflow，KubeFlow，Hopsworks
一般的學習路徑主要是閱讀這些框架的官方文檔和tutorial，在自己的項目中進行嘗試使用。對于一些核心接口，也可以閱讀一下相關的源代碼，深入理解其背后的原理。
自我考核：在LightGBM框架下，實現(xiàn)一個自定義的損失函數(shù)，并跑通訓練與預測流程。
其它框架：
其它比較常見且與算法工程師日常工作會有一些聯(lián)系的有Web框架，爬蟲框架等，最具有代表性的當屬Flask和scrapy。這兩者背后各自又是很大一塊領域，尤其web開發(fā)更是保羅萬象。
感興趣的同學還可以了解一下一些新興的基于Python3的框架，例如FastAPI，其背后借鑒的許多現(xiàn)代框架的思想設計，包括數(shù)據(jù)驗證，序列化，自動文檔，異步高性能等，開拓一下知識面。
自我考核：實現(xiàn)一個簡單的model serving http服務。
算法工程交叉
大規(guī)模算法運行：
分布式訓練：
在很多項目中，數(shù)據(jù)量達到十億級以上的情況下，單機訓練會難以支撐。因此分布式訓練也是實際工程落地中非常重要的一個主題。
分布式訓練涉及到多機的通訊協(xié)同方式，優(yōu)化算法的改造，數(shù)據(jù)及模型的并行與聚合，以及框架的選擇和運維等話題，具體可以參考《分布式機器學習》。
另外對于分布式系統(tǒng)，也可以參閱《數(shù)據(jù)密集型應用系統(tǒng)設計》這本神作，了解其背后原理。
自我考核：能夠在多機上進行億級數(shù)據(jù)的GBDT模型訓練與預測。
高性能計算：
在做大規(guī)模的數(shù)據(jù)訓練與推理時，近些年涌現(xiàn)出許多高性能計算優(yōu)化的方法，例如從硬件方面，有各種超線程技術，向量化指令集，GPGPU，TPU的應用等，從軟件方面，有針對數(shù)值計算場景的OpenBLAS，有自動并行化的OpenMP，有各種codegen，JIT技術下的運行時優(yōu)化等。
這方面可以學習的方向也很多，從基礎的并行編程，編譯原理及優(yōu)化的知識開始，到CUDA，OpenMP的應用（例如Nvidia的cuDNN，還有LightGBM中也用到了OpenMP），Codegen，JIT等技術在Spark，TVM等項目中的使用等，建議有深度性能優(yōu)化需求時可以往這些方向做調(diào)研和學習。
自我考核：能夠通過LLVM JIT來優(yōu)化實現(xiàn)Spark window function的執(zhí)行性能。
模型加速領域：
這個方向分兩個部分，一塊是模型訓練方面，能夠做到加速，例如使用大batch size，遷移學習，持續(xù)的在線/增量學習等手段，另一塊在模型預測方面，也有很多加速需求，比如模型參數(shù)量優(yōu)化，模型壓縮，混合精度，知識蒸餾等技術手段，都是為了做到更高性能，更低資源消耗的模型預測推理。
這方面業(yè)界有各個方向的文章和技術實現(xiàn)可以參考，比如經(jīng)典的《Training ImageNet in 1 Hour》，MobileNet，TensorRT，二值網(wǎng)絡等。
自我考核：在典型的銷量預測場景中實現(xiàn)增量訓練與預測。
MLops
編排調(diào)度：
包含各類pipeline的編排與調(diào)度能力的支持，包括數(shù)據(jù)pipeline，訓練pipeline和serving pipeline等。這方面比較常用的框架工具有Airflow，DolphinScheduler，Cadence等，需要掌握其基本的工作原理和使用方式，并能夠應用于離線實驗與線上運行。
自我考核：使用Airflow完成一個標準的項目pipeline搭建與運行。
數(shù)據(jù)集成：
相對于傳統(tǒng)的DevOps，機器學習項目最大的區(qū)別在于數(shù)據(jù)方面的依賴會更加顯著與重要。
這方面的話題包括數(shù)據(jù)血緣，數(shù)據(jù)質(zhì)量保障，數(shù)據(jù)版本控制等，有各類工具可以借鑒使用，例如數(shù)據(jù)版本管理方面的DVC，數(shù)據(jù)質(zhì)量方面的TFX Data Validation，Cerberus，Deequ等。
在方法論層面，《The ML Test Score》中給出了不少數(shù)據(jù)相關的具體測試方法，值得參考學習。
自我考核：在項目中實現(xiàn)輸入數(shù)據(jù)的分布測試，特征工程測試及特征重要性準入測試。
實驗管理：
這部分也是ML項目的獨特之處，在開發(fā)過程中有大量的實驗及相應的結果輸出需要記錄，以指導后續(xù)調(diào)整優(yōu)化的方向，并選擇最優(yōu)結果來進行上線部署。
這方面可以參考的項目有MLflow，fitlog，wandb等。當然對于單獨的項目來說，可能online Excel就能滿足需求了 :
自我考核：在實際項目中實行一套標準的實驗記錄手段，并能從中找出各類實驗嘗試帶來的精度提升的top 5分別是哪些操作。
Serving：
目前我們的serving大多數(shù)是離線batch預計算的形式，所以主要依賴的技術手段是各類離線inference的方法，例如直接使用model predict接口，使用mmlspark等做大規(guī)模并行inference等。
如果涉及到在線serving，情況會更加復雜，例如在線pipeline的運行，實時特征獲取，low latency/high throughput的serving服務等，可以參考TF Serving，MLeap，H2O，PredictionIO，PMML/PFA/ONNX等開發(fā)標準模型格式等。
自我考核：部署一個實時預測服務，能夠根據(jù)用戶輸入產(chǎn)生相應的預測結果。
CI/CD：
軟件工程中的持續(xù)集成，持續(xù)部署已經(jīng)成為一種標準實踐，在算法項目中，額外引入了數(shù)據(jù)這個維度的復雜性，帶來了一些新的挑戰(zhàn)。
在這個方向上，幾個主要話題包括自動化測試，pipeline打包部署，持續(xù)監(jiān)控運維等，可以參考Martin Fowler關于CD4ML的文章。工具系統(tǒng)層面，可以學習傳統(tǒng)的Jenkins，也有一些新選擇例如CircleCI，GoCD，VerCD（Uber）等。
自我考核：通過Jenkins實現(xiàn)pipeline自動測試，打包，上線流程。
系統(tǒng)監(jiān)控：
在整個項目上線后，需要對系統(tǒng)的各個環(huán)節(jié)進行監(jiān)控，并對各種異常情況作出響應。
例如輸入數(shù)據(jù)的監(jiān)控，判別測試數(shù)據(jù)與訓練數(shù)據(jù)的分布是否有偏移，整個運行pipeline的監(jiān)控，判別是否有運行失敗拋出異常的情況，對于預測輸出的監(jiān)控，確保沒有異常的預測輸出值，也包括對于系統(tǒng)計算資源等方面的監(jiān)控，確保不會因為資源不足導致業(yè)務受到影響等。
在監(jiān)控信息收集，基礎上，還需要配套一系列的自動告警通知，日志追蹤排查等。這方面的工具框架包括TF data validation這類專門針對算法項目的新產(chǎn)品，也有elasicsearch + kibana這類傳統(tǒng)產(chǎn)品。
自我考核：將三個項目中做過的問題排查改造成常規(guī)監(jiān)控手段，支持自動的問題發(fā)現(xiàn)，告警通知，如有可能，提供自動化或半自動化的問題排查解決方案。
MLOps系統(tǒng)：
MLOps整體是一個比較大的話題，在這方面有很多產(chǎn)品和系統(tǒng)設計方面的實踐可以參考學習。
例如Uber的Michelangelo系列文章，F(xiàn)acebook的FBLearner，neptune.ai，dataiku，domino等，雖然沒有開源，但是其背后的很多設計理念，演進思考，白皮書等都非常值得我們學習。
在開源界也有很多可以參考的項目，例如MLflow，Kubeflow，Metaflow，TFX等，可以學習他們的設計理念，Roadmap，以及實現(xiàn)細節(jié)等。
自我考核：總結各個MLOps產(chǎn)品的功能模塊矩陣對比，能夠根據(jù)項目需求來進行產(chǎn)品選型與使用。
工程深入方向
數(shù)據(jù)庫：
數(shù)據(jù)庫原理：
在平時工作中，我們有大量的場景需要用到數(shù)據(jù)庫。從客戶數(shù)據(jù)的對接，數(shù)據(jù)集的管理和使用，到各種業(yè)務系統(tǒng)的數(shù)據(jù)表設計及優(yōu)化等，都需要對數(shù)據(jù)庫的運作原理，適用場景，運維使用，性能優(yōu)化等方面有一定的了解。
常見的需要掌握的概念有OLTP vs OLAP，事務，索引，隔離級別，ACID與CAP理論，數(shù)據(jù)同步，數(shù)據(jù)分片，SQL語法，ORM等。
從底層原理看，會涉及到數(shù)據(jù)，索引，及日志等存儲引擎方面，以及各種計算查詢引擎，包括分布式系統(tǒng)的設計與實現(xiàn)。這方面推薦的學習資料有《數(shù)據(jù)庫系統(tǒng)內(nèi)幕》及《數(shù)據(jù)密集型應用系統(tǒng)設計》。
自我考核：能夠理解SQL執(zhí)行計劃，并能夠根據(jù)執(zhí)行計劃來做索引或查詢調(diào)優(yōu)。
關系型數(shù)據(jù)庫：
目前常用的關系型數(shù)據(jù)庫主要是MySQL和PostgreSQL，主要需要掌握的是日常的一些SQL操作，例如DML（增刪改查），DDL（創(chuàng)建表，修改索引等），DCL（權限相關）。
在此基礎上還可以進一步了解一些如數(shù)據(jù)類型，高級計算，存儲引擎，部署運維，范式概念與表結構設計等方面的話題。對于高級話題這塊，推薦《高性能MySQL》與《高可用MySQL》。
自我考核：在MySQL中設計相關表結構，存儲實際項目中的一系列中間數(shù)據(jù)集。
NoSQL數(shù)據(jù)庫：
常用的NoSQL數(shù)據(jù)庫有幾類，KV存儲（Redis），文檔數(shù)據(jù)庫（MongoDB），Wide-column存儲（Cassandra，HBase）以及圖數(shù)據(jù)庫（Neo4j）。
在目前我們的算法項目中，比較有可能會用到的主要是Redis這類KV存儲（也可能把Cassandra之類當泛KV來用），或者更新一點的類似Delta Lake的存儲系統(tǒng)。
建議學習了解一下這類KV存儲，以及分布式數(shù)據(jù)庫的常見操作方式，以及基礎的運維排查，性能優(yōu)化方法。
自我考核：考慮一個線上模型服務的場景，用戶輸入作為基礎特征，使用類似Redis的KV系統(tǒng)，實現(xiàn)實時獲取其它特征，并進行模型預測。
云計算
基礎架構：
IT系統(tǒng)總體的發(fā)展趨勢在往云計算方向演進，即使是自建的基礎設施，也會采用云計算的一套構建方式，讓開發(fā)者不用過多的關注底層計算存儲資源的部署運維。
對于應用開發(fā)者來說，需要了解一些基礎架構方面的知識，例如各類虛擬化及容器技術，配置管理，容器編排等，便于在日常工作中使用相關技術來管理和發(fā)布應用。
從工具層面看，Docker與k8s等技術發(fā)展速度較快，主要還是根據(jù)官方文檔來學習為主。浙大之前出版的《Docker - 容器與容器云》一書中有一些更深入的話題的探討，另外《Kubernetes in Action》中也值得一讀。
從方法論層面看，《Infrastructure as Code》和《Site Reiliability Engineering》是兩本非常不錯的學習資料。與算法應用結合的虛擬化，運維，持續(xù)集成等都是比較新的領域，需要我們探索出一條可行路線。
自我考核：對于已有的算法項目，總結制定一套開發(fā)，測試，發(fā)布，運維的標準流程，且盡可能自動化執(zhí)行。
分布式存儲：
前些年最流行的分布式存儲是脫胎于Google經(jīng)典的GFS論文實現(xiàn)的HDFS，不過隨著硬件技術的發(fā)展，計算存儲分離思想的逐漸興起，不但靈活性更高，成本更低，且各自架構的復雜度也大大降低了。
因此目前更建議學習簡單的object store形式的分布式存儲，例如s3，minio等。在此基礎上的一些存儲系統(tǒng)，例如Delta Lake，提供了事務，高效的upsert，time travel等功能，也值得關注與學習。原理方面，還是推薦《數(shù)據(jù)密集型應用設計》這本。
自我考核：在項目中實現(xiàn)不同機器能夠訪問同一個s3路徑的文件，并進行正常的數(shù)據(jù)讀寫，模型文件讀寫等功能。
分布式計算：
大數(shù)據(jù)時代的分布式計算的鼻祖來自于Google經(jīng)典的MapReduce論文，后續(xù)在Hadoop系統(tǒng)中做了開源實現(xiàn)，在前幾年是非常火熱的一項技術。
目前業(yè)界的主流是Spark和Flink，前者在批處理計算中處于霸者地位，后者是流處理領域的領先者。目前我們的業(yè)務應用中，Spark是比較常用的分布式計算引擎，其基本操作相關內(nèi)容比較簡單，參考官方文檔或者《Spark快速大數(shù)據(jù)分析》即可。
后續(xù)的主要難點會有大數(shù)據(jù)量下的問題排查與性能調(diào)優(yōu)，執(zhí)行復雜計算或與Python相關UDF的交互配合方式等。這方面需要對Spark的系統(tǒng)架構，內(nèi)部原理有一定了解，例如master，worker，driver，executor等之間的關系，lazy evaluation，DAG的lineage與stage概念，shuffle優(yōu)化，wholestage codegen等技術細節(jié)。
這方面暫時沒有找到比較好的資料，主要還是依賴實際問題解決的經(jīng)驗積累。
自我考核：用Spark來實現(xiàn)項目中的特征工程，并在一定數(shù)據(jù)量情況下取得比單機Pandas更好的性能效果。
其它話題：
其它云服務基礎設施還包括分布式數(shù)據(jù)庫，消息隊列，zk/raft分布式協(xié)作系統(tǒng)，虛擬網(wǎng)絡，負載均衡等。這些話題離算法應用方面會比較遠一些，基本上達到遇到需求時會使用的能力即可，在這里不做展開。
算法深入方向
AutoML：
超參優(yōu)化：
自動化機器學習中比較傳統(tǒng)的一塊是超參數(shù)優(yōu)化，進而可以推廣到整個pipeline的超參優(yōu)化，包括數(shù)據(jù)預處理，特征工程，特征選擇，模型選擇，模型調(diào)優(yōu)，后處理等部分。
目前業(yè)界應用比較廣泛的技術手段主要是隨機搜索，貝葉斯優(yōu)化，進化算法，Hyperband/BOHB等，在特征工程方面有Featuretools，tsfresh，AutoCrossing等自動化特征工程工具。
學術界有一些進一步的探索研究，包括multi-fidelity優(yōu)化，多任務優(yōu)化，HPO結合ensemble learning，pipeline planning，data diff自動數(shù)據(jù)分布探測等方面。可以參考automl.org上的各類參考資料與書籍進行學習了解。
主要難點包括automl算法的泛化能力，scalability，整體pipeline組合的搜索與生成，針對不同學習算法的自動優(yōu)化手段等。
自我考核：了解超參優(yōu)化的基礎概念，能夠在項目中應用框架工具來實現(xiàn)模型超參的貝葉斯優(yōu)化流程。
元學習：
Meta learning是近年來非常活躍的一個新興領域，其主要思路是希望能通過元學習模型方法，去積累建模調(diào)優(yōu)的先驗知識，跨任務推斷模型效果并warm start新的訓練任務，或者指導學習算法來進行更高效的具體任務的訓練過程。
這方面在工業(yè)界的主要應用基本上集中在建模調(diào)優(yōu)先驗知識的積累方面，比如通過一系列公開數(shù)據(jù)集搜索尋找出表現(xiàn)較好的起始參數(shù)，用于指導在新任務上做超參優(yōu)化的起始搜索點。
學術研究中除了configuration space的研究，還包括從learning curve中進行學習推斷，元特征提取與建模，HTN planning在pipeline構建中的應用，以及MAML等few-shot learning方向的探索。
這方面推薦Lilian Weng的一系列文章（lilianweng.github.io/li），以及automl.org網(wǎng)站上的資料。
自我考核：設計一系列meta feature與meta learning手段，實現(xiàn)對新任務的參數(shù)選擇的初始化。
NAS：
AutoML領域比較火，但也是比較特別的一個方向，目前需要大量的計算資源投入才能做這方面的研究與嘗試，因此主要建議了解一下這個方向的一些工作即可，不做深入探索學習。
AutoML系統(tǒng)：
自動化機器學習相關的框架工具也非常多，比較有代表性的框架有auto-sklearn(來自automl.org團隊)，nni(microsoft)，auto-gluon(amazon)，H2O，ray tune等，在工具級別也有如hyperopt，SMAC3，featuretools等。
可以通過學習這些工具框架，了解AutoML系統(tǒng)的架構與實現(xiàn)方式，并應用到實際項目中。
自我考核：使用一種AutoML系統(tǒng)來進行項目的模型自動優(yōu)化，并與手工優(yōu)化的結果進行比較，看是否有所提升，及尋找背后的原因。
模型解釋
模型解釋技術：
主要有三個方面，一是模型本身的解釋性，例如線性回歸，決策樹等，模型結構簡單，根據(jù)其原理，可以直接對預測結果，特征使用等方面給出解釋。
另外一些復雜模型，例如EBM，神經(jīng)網(wǎng)絡，Bayesian rule lists，SLIMs等，也可以利用一些本身的特性給出一些解釋，例如GradCAM方法等。
二是模型無關的解釋方法，包括經(jīng)典的PDP，ICE等特征圖，LIME等surrogate model方法，以及基于博弈論的Shapley方法。
三是基于sample的解釋方法，例如conterfactual explanations，adversarial examples，prototypes，influential instances，kNN等，不過看起來這類方法對于計算的開銷一般都會比較大，不太容易在工程中實現(xiàn)落地。
這方面的資料可以學習《Interpretable Machine Learning》和《Explainable AI》（關于深度學習的內(nèi)容會更多）。
另外學術界也有很多前沿探索，比如針對模型解釋的降維工作，自動的時間序列分析及報告生成，因果模型，模型公平性及社會影響等方面，可以保持關注。
自我考核：理解LIME，Shapley的運作原理，并分析其局限性，嘗試提出改進方案。
模型解釋應用：
從工具框架方面，有許多可以使用的開源項目，例如微軟的interpret，eli5，shap，AIX360等。
另外也有一些非傳統(tǒng)意義上的模型解釋，例如manifold，tensorboard這類模型debugging工具，自動化的誤差分析與模型改進方案，因果模型框架，模型公平性評估與糾正工具等，都可以涵蓋在廣義的模型解釋領域中。
在工具基礎上，如何結合業(yè)務領域知識，給出更有針對性的解釋方案，也是值得思考深挖的方向。
自我考核：使用shap，eli5等工具來進行模型解釋，并在此基礎上形成面向開發(fā)者的模型debug，誤差分析及改進方案，或形成面向業(yè)務的what-if分析看板。
總結
目前機器學習應用領域還在高速發(fā)展與演進過程中，除了上述提到的技能方向，后續(xù)很可能會不斷有新的主題引入進來，需要練就快速學習并應用落地的能力。
在掌握前面編程，軟件工程，機器學習的基礎上，后半部分的研究方向，大家可以根據(jù)個人興趣，選擇幾個進行深入探索與實踐。
僅閱讀相關書籍和文章，只能對知識內(nèi)容有一個初步的認識，必須要通過深入的動手實踐，反復試錯思考和修正，才能逐漸內(nèi)化為自己的技能，并構建起較為堅實的知識體系。
版權聲明：本號內(nèi)容部分來自互聯(lián)網(wǎng)，轉載請注明原文鏈接和作者，如有侵權或出處有誤請和我們聯(lián)系。
—END— 歡迎添加我的微信，更多精彩，盡在我的朋友圈。 ↓掃描二維碼添加好友↓ 推薦閱讀
（點擊標題可跳轉閱讀）
