當(dāng)你初入江湖，迷茫不知道該干什么的時(shí)候，不妨去模仿前人是如何進(jìn)行科研的，并從中歸納出最適合自己的道路。為此，我們推出“學(xué)術(shù)人生”專欄，介紹科研的方法與經(jīng)驗(yàn)，為你的科研學(xué)習(xí)提供幫助，敬請關(guān)注。

前言

這是一份寫給公司算法組同事們的技術(shù)路線圖，其目的主要是為大家在技術(shù)路線的成長方面提供一些方向指引，配套一些自我考核項(xiàng)，可以帶著實(shí)踐進(jìn)行學(xué)習(xí)，加深理解和掌握。

內(nèi)容上有一定的通用性，所以也分享到知乎上。歡迎大家給出建議，如有錯(cuò)誤紕漏，還望不吝指正 :)

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(gè)層級：

• 初級：可以在一些指導(dǎo)和協(xié)助下獨(dú)立完成開發(fā)任務(wù)。具體到算法方面，需要你對于工具框架，建模技術(shù)，業(yè)務(wù)特性等方面有一定的了解，可以獨(dú)立實(shí)現(xiàn)一些算法項(xiàng)目上的需求。

• 中級：可以基本獨(dú)立完成一個(gè)項(xiàng)目的開發(fā)與交付。在初級工程師的基礎(chǔ)上，對于深入了解技術(shù)原理的要求會更高，并且能夠應(yīng)對項(xiàng)目中各種復(fù)雜多變的挑戰(zhàn)，對于已有技術(shù)和工具進(jìn)行改造適配。在整體工程化交付方面，對于代碼質(zhì)量，架構(gòu)設(shè)計(jì)，甚至項(xiàng)目管理方面的要求會開始顯現(xiàn)。另外從業(yè)務(wù)出發(fā)來評估技術(shù)選型和方案也變得尤為重要。

• 高級：可以獨(dú)立負(fù)責(zé)一條產(chǎn)品線的運(yùn)作。在中級工程師的基礎(chǔ)上，需要更廣闊的技術(shù)視野與開拓創(chuàng)新能力，定義整個(gè)產(chǎn)品線的前進(jìn)方向。解決問題已經(jīng)不是關(guān)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(lǐng)先性和差異性的產(chǎn)品，為公司創(chuàng)造更大的價(jià)值。

事實(shí)上對于不同層級的工程師，非技術(shù)部分的要求都有一定占比。本文主要聚焦在技術(shù)路線圖上，對于其他方面的學(xué)習(xí)進(jìn)階路線不會做覆蓋。

閱讀建議

以下內(nèi)容分工程基礎(chǔ)，算法基礎(chǔ)，算法工程交叉，工程深入方向，算法深入方向幾個(gè)部分，在各個(gè)部分內(nèi)部會進(jìn)一步區(qū)分一些主題。在各個(gè)主題內(nèi)部，也是有深入程度的區(qū)別的，不過限于篇幅沒有進(jìn)行詳細(xì)的說明。建議學(xué)習(xí)路線可以先把兩個(gè)基礎(chǔ)部分與工作中較為相關(guān)的內(nèi)容做一個(gè)整體基礎(chǔ)的夯實(shí)，然后可以在后續(xù)交叉和深入方向的主題中選擇感興趣的進(jìn)行深入了解和學(xué)習(xí)，過程中發(fā)現(xiàn)基礎(chǔ)部分欠缺的，可以再回到基礎(chǔ)部分查漏補(bǔ)缺，迭代前行。

工程基礎(chǔ)

編程語言

Python

Python是算法工程師日常工作中最常用的語言，應(yīng)該作為必須掌握的一門技術(shù)。大致的學(xué)習(xí)路線如下：

• 學(xué)習(xí)掌握Python的基本語法，可以通過各類入門教程來看，個(gè)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(xiàng)目及一些開源項(xiàng)目代碼的基本模塊，例如pandas, sklearn等。

• 學(xué)習(xí)Python的編程風(fēng)格，建議學(xué)習(xí)觀遠(yuǎn)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(jìn)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(yīng)用方面會很有幫助。另外動(dòng)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(fù)雜的Python項(xiàng)目，例如sqlalchemy中就大量使用了元編程技巧。在實(shí)際工程項(xiàng)目中，能夠找到一些應(yīng)用高級技巧的點(diǎn)進(jìn)行實(shí)踐，例如基于Cython的性能優(yōu)化等。

• 領(lǐng)域應(yīng)用，Python的應(yīng)用相當(dāng)廣泛，在各個(gè)領(lǐng)域深入下去都有很多可以學(xué)習(xí)的內(nèi)容，比如Web開發(fā)，爬蟲，運(yùn)維工具，數(shù)據(jù)處理，機(jī)器學(xué)習(xí)等。這塊主要就看大家各自的興趣來做自由選擇了，個(gè)人推薦熟悉了解一下Python web開發(fā)，測試開發(fā)相關(guān)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(gè)簡單的model serving http服務(wù)，并編寫相應(yīng)的自動(dòng)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(lǐng)域，也是應(yīng)用最廣泛的語言，例如當(dāng)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?yàn)镾park等項(xiàng)目的火熱，形成了一定的流行度。在進(jìn)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(shí)用價(jià)值，值得學(xué)習(xí)。

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(shè)計(jì)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(cuò)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(gè)Scala的學(xué)習(xí)路線：

• 學(xué)習(xí)掌握Scala的基本語法，開發(fā)環(huán)境配置，項(xiàng)目編譯運(yùn)行等基礎(chǔ)知識。這里推薦Coursera上Martin Odersky的課程，《快學(xué)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(shí)現(xiàn)一些簡單算法問題，例如DFS/BFS?；蛘呤褂肧cala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(guān)鍵信息等。

• 學(xué)習(xí)使用Scala來開發(fā)Spark應(yīng)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(guān)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(jìn)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(xué)習(xí)，Scala/Java都是JVM上運(yùn)行的優(yōu)秀語言，其背后是一個(gè)非常大的生態(tài)，包括在Web，Android，數(shù)據(jù)基礎(chǔ)架構(gòu)等方面有廣泛的應(yīng)用。JVM相比Python虛擬機(jī)，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(xiàng)目，便于開發(fā)者debug，調(diào)優(yōu)應(yīng)用。這方面推薦學(xué)習(xí)周志明的《深入理解Java虛擬機(jī)》。

• 自我考核：理解JVM GC原理，能通過JDK中相關(guān)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(yīng)用的資源使用情況，GC profiling，hot method profiling等，進(jìn)而進(jìn)行參數(shù)優(yōu)化。

• 計(jì)算機(jī)語言理論。Programming Language作為計(jì)算機(jī)科學(xué)的一個(gè)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(jī)器學(xué)習(xí)方面也有很多實(shí)際應(yīng)用，比如TVM這類工作，涉及到大量編譯原理的應(yīng)用，知乎大佬“藍(lán)色”也作為這個(gè)領(lǐng)域的專家在從事深度學(xué)習(xí)框架相關(guān)的工作。llvm, clang作者Chris Lattner也加入Google主導(dǎo)了Swift for Tensorflow等工作。Scala作為一門學(xué)術(shù)范非常強(qiáng)的語言，擁有極佳的FP，元編程等能力支持，強(qiáng)大的類型系統(tǒng)包括自動(dòng)推理，泛型等等高級語言特性，相對來說是一門非?！爸档谩睂W(xué)習(xí)的新語言，也是一個(gè)進(jìn)入PL領(lǐng)域深入學(xué)習(xí)的"gateway drug" :) 對這個(gè)方面有興趣的同學(xué)，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(xué)，也可以讀一讀著名的《黑客與畫家》感受一下。

C/C++/Rust

當(dāng)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(jìn)行實(shí)現(xiàn)的。但是C++本身過于復(fù)雜，使用場景也比較有限制，建議只需要達(dá)到能夠讀懂一些基礎(chǔ)的C++代碼邏輯即可。在系統(tǒng)級開發(fā)領(lǐng)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(shè)計(jì)理念和一些業(yè)界應(yīng)用（例如TiKV）來看還是非常不錯(cuò)的，但是我也沒有深入學(xué)習(xí)了解過，就不做具體推薦了。這方面建議的學(xué)習(xí)內(nèi)容包括經(jīng)典的《The C Programming Language》以及Rust官方的：https://github.com/rust-lang/rustlings

• 自我考核：能夠讀懂LightGBM里對于tweedie loss的相關(guān)定義代碼。

操作系統(tǒng)

基本概念

我們所編寫的算法應(yīng)用，都是通過操作系統(tǒng)的環(huán)境運(yùn)行在物理硬件之上的。在實(shí)際運(yùn)作過程中，會碰到不少相關(guān)的問題，例如為什么程序報(bào)了資源不足的錯(cuò)誤，為什么notebook在瀏覽器里打不開，為什么進(jìn)程hang住了沒有響應(yīng)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(jié)構(gòu)，CPU調(diào)度，進(jìn)程，線程，內(nèi)存管理，文件系統(tǒng)，IO，網(wǎng)絡(luò)等），對于整體圖景有一些感覺即可。后續(xù)碰到了實(shí)際問題，可以再在各個(gè)部分深入學(xué)習(xí)展開。優(yōu)秀的學(xué)習(xí)資料也有很多，基本都是大部頭，重點(diǎn)推薦《深入理解計(jì)算機(jī)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(yùn)行一個(gè)模型訓(xùn)練任務(wù)過程中，底層使用到的硬件，操作系統(tǒng)組件，及其交互運(yùn)作的方式是如何的。

Linux基礎(chǔ)

平時(shí)工作中最常用的兩個(gè)操作系統(tǒng)CentOS和macOS，都是Unix/Linux系的，因此學(xué)習(xí)掌握相關(guān)的基礎(chǔ)知識非常重要。一些必須掌握的知識點(diǎn)包括：Shell與命令行工具，軟件包管理，用戶及權(quán)限，系統(tǒng)進(jìn)程管理，文件系統(tǒng)基礎(chǔ)等。這方面的入門學(xué)習(xí)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(jìn)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(yīng)用打下基礎(chǔ)。

• 自我考核：開發(fā)一個(gè)shell小工具，實(shí)現(xiàn)一些日常工作需求，例如定時(shí)自動(dòng)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(dòng)清理內(nèi)存占用較大且運(yùn)行時(shí)間較久的jupyter notebook進(jìn)程等。

深入應(yīng)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(yùn)維及穩(wěn)定性工程等方面，都需要較為深入的計(jì)算機(jī)體系和操作系統(tǒng)知識，感興趣的同學(xué)可以針對性的進(jìn)行深入學(xué)習(xí)。以性能優(yōu)化為例，可以學(xué)習(xí)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(dòng)態(tài)追蹤(systemtap, DTrace, perf, eBPF)等技術(shù)，對于操作系統(tǒng)相關(guān)的問題排查都會很有幫助。

• 自我考核：能夠分析定位出LightGBM訓(xùn)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(jié)構(gòu)

暫時(shí)先把這塊放到軟件工程模塊下。這里指的算法是計(jì)算機(jī)科學(xué)中的經(jīng)典算法，例如遞歸，排序，搜索，動(dòng)態(tài)規(guī)劃等，有別于我們常說的機(jī)器學(xué)習(xí)算法。這塊的學(xué)習(xí)資料網(wǎng)上有非常多，個(gè)人當(dāng)年是通過普林斯頓的算法課(需要有Java基礎(chǔ))入門，后來又上了斯坦福的算法分析與設(shè)計(jì)，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(xué)習(xí)，還可以直接去LeetCode等網(wǎng)站進(jìn)行實(shí)戰(zhàn)操作進(jìn)行練習(xí)提高。

• 自我考核：能夠設(shè)計(jì)相關(guān)的數(shù)據(jù)結(jié)構(gòu)，實(shí)現(xiàn)一個(gè)類似airflow中點(diǎn)擊任意節(jié)點(diǎn)向后運(yùn)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(gè)差異就是代碼編寫習(xí)慣上，從一開始寫計(jì)算機(jī)能理解，能夠運(yùn)行成功的代碼，逐漸演化到寫人能夠理解，易于修改與維護(hù)的代碼。在這條學(xué)習(xí)路徑上，首先需要建立起這方面的意識，然后需要在實(shí)戰(zhàn)中反復(fù)思考和打磨自己的代碼，評判和學(xué)習(xí)其它優(yōu)秀的項(xiàng)目代碼，才能逐漸精進(jìn)。推薦的學(xué)習(xí)書籍有《編寫可讀代碼的藝術(shù)》，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(xiàng)目代碼，能發(fā)現(xiàn)并修正至少三處不符合最佳編碼實(shí)踐的問題。

設(shè)計(jì)模式

在代碼架構(gòu)方面，設(shè)計(jì)模式是一個(gè)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(dāng)屬GoF的《設(shè)計(jì)模式》，不過個(gè)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(shè)計(jì)模式可能并不需要。入門可以瀏覽一下這個(gè)網(wǎng)站掌握一些基本概念：https://refactoringguru.cn/design-patterns/python?，后續(xù)可以考慮閱讀《Clean Architecture》，《重構(gòu)》等相關(guān)數(shù)據(jù)，理解掌握在優(yōu)化代碼架構(gòu)過程中思考的核心點(diǎn)，并加以運(yùn)用。Python相關(guān)的設(shè)計(jì)模式應(yīng)用，還可以參考《Python in Practice》。

• 自我考核：在項(xiàng)目中，找到一處可以應(yīng)用設(shè)計(jì)模式的地方，進(jìn)行重構(gòu)改進(jìn)。

質(zhì)量保障

對于需要實(shí)際上線運(yùn)行的軟件工程，質(zhì)量保障是非常重要的一個(gè)環(huán)節(jié)，能夠確保整個(gè)產(chǎn)品按照期望的方式進(jìn)行運(yùn)作。在機(jī)器學(xué)習(xí)項(xiàng)目中，由于引入了數(shù)據(jù)這個(gè)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(jìn)的方向。建議可以先閱讀《單元測試的藝術(shù)》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(yùn)作方式，在此基礎(chǔ)上可以進(jìn)一步閱讀Martin Fowler對于機(jī)器學(xué)習(xí)領(lǐng)域提出的CD4ML中相關(guān)的測試環(huán)節(jié)，學(xué)習(xí)sklearn，LightGBM等開源庫的測試開發(fā)方式，掌握機(jī)器學(xué)習(xí)相關(guān)的質(zhì)量保障技術(shù)能力。

• 自我考核：在項(xiàng)目中，實(shí)現(xiàn)基礎(chǔ)的數(shù)據(jù)輸入測試，預(yù)測輸出測試。

項(xiàng)目管理

軟件工程推進(jìn)過程中，項(xiàng)目管理相關(guān)的技能方法與工具運(yùn)用也非常的關(guān)鍵。其中各種研發(fā)流程與規(guī)范，例如敏捷開發(fā)，設(shè)計(jì)評審，代碼評審，版本管控，任務(wù)看板管理等，都是實(shí)際項(xiàng)目推進(jìn)中非常重要的知識技能點(diǎn)。這方面推薦學(xué)習(xí)一本經(jīng)典的軟件工程教材《構(gòu)建之法》，了解軟件項(xiàng)目管理的方方面面。進(jìn)一步來說廣義的項(xiàng)目管理上的很多知識點(diǎn)也是后續(xù)深入學(xué)習(xí)的方向，可以參考極客時(shí)間上的課程《項(xiàng)目管理實(shí)戰(zhàn)20講》。

• 自我考核：在某個(gè)負(fù)責(zé)項(xiàng)目中運(yùn)用項(xiàng)目管理方法，完成一個(gè)實(shí)際的需求評估，項(xiàng)目規(guī)劃，設(shè)計(jì)與評審，開發(fā)執(zhí)行，項(xiàng)目上線，監(jiān)控維護(hù)流程，并對整個(gè)過程做復(fù)盤總結(jié)。

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(gòu)師，在這個(gè)方向上對于技能點(diǎn)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(xué)習(xí)和了解，例如技術(shù)選型與系統(tǒng)架構(gòu)設(shè)計(jì)，架構(gòu)設(shè)計(jì)原則與模式，寬廣的研發(fā)知識視野，高性能，高可用，可擴(kuò)展性，安全性等等。有興趣的同學(xué)可以了解一下極客時(shí)間的《從0開始學(xué)架構(gòu)》這門課，逐漸培養(yǎng)這方面的視野與能力。另外如《微服務(wù)架構(gòu)設(shè)計(jì)模式》還有領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)方面的一系列書籍也值得參考學(xué)習(xí)。

• 自我考核：設(shè)計(jì)一個(gè)算法項(xiàng)目Docker鏡像自動(dòng)打包系統(tǒng)。

算法基礎(chǔ)

數(shù)據(jù)分析

數(shù)學(xué)基礎(chǔ)

在進(jìn)行算法建模時(shí)，深入了解數(shù)據(jù)情況，做各類探索性分析，統(tǒng)計(jì)建模等工作非常重要，這方面對一些數(shù)學(xué)基礎(chǔ)知識有一定的要求，例如概率論，統(tǒng)計(jì)學(xué)等。這方面除了經(jīng)典的數(shù)學(xué)教材，也可以參考更程序員向的《統(tǒng)計(jì)思維》，《貝葉斯方法》，《程序員的數(shù)學(xué)2》等書籍。

• 自我考核：理解實(shí)際項(xiàng)目中的數(shù)據(jù)分布情況，并使用統(tǒng)計(jì)建模手段，推斷預(yù)測值的置信區(qū)間。

可視化

在進(jìn)行數(shù)據(jù)分析時(shí)，可視化是一個(gè)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(diǎn)。對于各種不同類型的數(shù)據(jù)，會對應(yīng)不同的可視化最佳實(shí)踐，如選擇不同的圖表類型，板式設(shè)計(jì)，分析思路編排，人機(jī)交互方式等等。另一方面，可視化與數(shù)據(jù)報(bào)告也是我們與不同角色人群溝通數(shù)據(jù)insights的一個(gè)重要途徑，需要從業(yè)務(wù)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(shí)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(shù)，分析模型的bad case情況，并確定優(yōu)化改進(jìn)方向。對外溝通方面，能獨(dú)立完成項(xiàng)目的數(shù)據(jù)分析溝通報(bào)告。

誤差分析與調(diào)優(yōu)

在做算法模型調(diào)優(yōu)改進(jìn)中，需要從數(shù)據(jù)分析的基礎(chǔ)上出發(fā)來決定實(shí)驗(yàn)方向，這么做有幾個(gè)好處：

• 從分析出發(fā)指導(dǎo)調(diào)優(yōu)更有方向性，而不是憑經(jīng)驗(yàn)加個(gè)特征，改個(gè)參數(shù)碰運(yùn)氣。哪怕是業(yè)務(wù)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(dāng)成一個(gè)既定事實(shí)。

• 由分析發(fā)現(xiàn)的根源問題，對于結(jié)果驗(yàn)證也更有幫助。尤其在預(yù)測的數(shù)據(jù)量極大情況下，加一個(gè)單一特征很可能總體只有千分位準(zhǔn)確率的提升，無法確定是天然波動(dòng)還是真實(shí)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(gè)已知問題，我們的調(diào)優(yōu)策略是否生效，而不是只看一個(gè)總體準(zhǔn)確率。

• 對于問題的徹底排查解決也更有幫助，有時(shí)候結(jié)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(biāo)去看為什么這個(gè)特征沒有效果，是模型沒學(xué)到還是特征沒有區(qū)分度等，有沒有改進(jìn)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(diǎn)，比如銷量數(shù)據(jù)清洗處理是不是有問題，是不是業(yè)務(wù)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(guān)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(chǔ)上，結(jié)合具體的業(yè)務(wù)情況，深入思考總結(jié)誤差分析的思路與方法論。

• 自我考核：在項(xiàng)目中形成一套可以重復(fù)使用的誤差分析方案，能夠快速從預(yù)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(jī)器學(xué)習(xí)基礎(chǔ)

傳統(tǒng)機(jī)器學(xué)習(xí)

這塊大家應(yīng)該都非常熟悉了，初階的學(xué)習(xí)路線可以參考周志華老師的《機(jī)器學(xué)習(xí)》，涵蓋了機(jī)器學(xué)習(xí)基礎(chǔ)，常用機(jī)器學(xué)習(xí)方法，和一些進(jìn)階話題如學(xué)習(xí)理論，強(qiáng)化學(xué)習(xí)等。如果希望深化理論基礎(chǔ)，可以參考經(jīng)典的《PRML》，《ESL》和《統(tǒng)計(jì)學(xué)習(xí)方法》。在實(shí)戰(zhàn)中，需要綜合業(yè)務(wù)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(shí)驗(yàn)迭代的效率和成功率。

• 自我考核：結(jié)合實(shí)際業(yè)務(wù)和機(jī)器學(xué)習(xí)理論知識，挖掘項(xiàng)目中算法表現(xiàn)不夠好的問題，并通過算法改造進(jìn)行提升或解決。

深度學(xué)習(xí)

近些年興起的深度學(xué)習(xí)，已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)非常重要的分支，在各個(gè)應(yīng)用方向發(fā)揮了很大的作用。相對于傳統(tǒng)機(jī)器學(xué)習(xí)，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(xué)習(xí)對于大數(shù)據(jù)量，大規(guī)模算力的應(yīng)用能力很強(qiáng)，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(xué)習(xí)在實(shí)際應(yīng)用中對于使用者的經(jīng)驗(yàn)技能要求相對比較高，需要有大量的實(shí)戰(zhàn)經(jīng)驗(yàn)才能達(dá)到比較理想的效果。這方面的學(xué)習(xí)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(xué)習(xí)理論原理的基礎(chǔ)上，尤其要注意在實(shí)際算法應(yīng)用中，能夠通過觀察各種指標(biāo)與數(shù)據(jù)分析，找到提升模型的操作改進(jìn)方向。

• 自我考核：能夠在實(shí)際項(xiàng)目中，使用深度學(xué)習(xí)模型，達(dá)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(lǐng)域建模

目前我們的業(yè)務(wù)領(lǐng)域在時(shí)間序列預(yù)測，自然語言處理，推薦等方面，其它類似圖像，搜索，廣告等領(lǐng)域也都有各自的一些領(lǐng)域建模方法。在時(shí)間序列領(lǐng)域，包括了傳統(tǒng)時(shí)序模型，如ARIMA, Prophet，機(jī)器學(xué)習(xí)模型，如劃動(dòng)窗口特征構(gòu)建方法結(jié)合LightGBM，及深度學(xué)習(xí)模型，例如LSTM，seq2seq，transformer等。這方面可以參考Kaggle上相關(guān)比賽的方案分享，以及Amazon，Uber，天貓等有類似業(yè)務(wù)場景公司的分享資料。其它領(lǐng)域也是類似，通過了解歷史技術(shù)演進(jìn)，相關(guān)比賽，業(yè)界的方案分享與開源項(xiàng)目，會議論文來逐漸掌握學(xué)習(xí)建模方法，結(jié)合實(shí)際業(yè)務(wù)進(jìn)行實(shí)踐嘗試，積累起更加體系性的個(gè)人知識技能。

• 自我考核：在項(xiàng)目中復(fù)現(xiàn)一個(gè)Kaggle獲勝方案，檢驗(yàn)其效果，分析模型表現(xiàn)背后的原因，并嘗試進(jìn)行改進(jìn)。

算法框架

數(shù)據(jù)處理框架

在項(xiàng)目實(shí)施過程中，會需要各類復(fù)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(biāo)準(zhǔn)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(yùn)行的DataFrame，以及cuDF，Vaex等提升單機(jī)性能的改進(jìn)實(shí)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(chǔ)數(shù)據(jù)操作的基礎(chǔ)上，可以進(jìn)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(fù)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(gòu)建數(shù)據(jù)處理流程，感興趣的同學(xué)也可以學(xué)習(xí)一下SQL中各種高級計(jì)算的使用及優(yōu)化方法。

• 自我考核：在已有項(xiàng)目中，能把至少三個(gè)使用apply方法的pandas處理修改成向量化運(yùn)行，并測試性能提升。使用window function或其它方案來實(shí)現(xiàn)lag特征，減少join次數(shù)。

機(jī)器學(xué)習(xí)框架

機(jī)器學(xué)習(xí)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(gòu)成，接口規(guī)范的設(shè)計(jì)，一定程度上來說其它新框架也都需要遵循這些業(yè)界標(biāo)準(zhǔn)框架的模塊與接口定義。另一方面對于新框架或特定領(lǐng)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(jī)器學(xué)習(xí)：scikit-learn，Spark ML，LightGBM

• 通用深度學(xué)習(xí)：Keras/TensorFlow，PyTorch

• 特征工程：tsfresh, Featuretools，F(xiàn)east

• AutoML：hyperopt，SMAC3，nni，autogluon

• 可解釋機(jī)器學(xué)習(xí)：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(shí)間序列：fbprophet，sktime，pyts

• 大規(guī)模機(jī)器學(xué)習(xí)：Horovod，BigDL，mmlspark

• Pipeline：MLflow, metaflow，KubeFlow，Hopsworks

一般的學(xué)習(xí)路徑主要是閱讀這些框架的官方文檔和tutorial，在自己的項(xiàng)目中進(jìn)行嘗試使用。對于一些核心接口，也可以閱讀一下相關(guān)的源代碼，深入理解其背后的原理。

• 自我考核：在LightGBM框架下，實(shí)現(xiàn)一個(gè)自定義的損失函數(shù)，并跑通訓(xùn)練與預(yù)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(dāng)屬Flask和scrapy。這兩者背后各自又是很大一塊領(lǐng)域，尤其web開發(fā)更是保羅萬象。感興趣的同學(xué)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(shè)計(jì)，包括數(shù)據(jù)驗(yàn)證，序列化，自動(dòng)文檔，異步高性能等，開拓一下知識面。

• 自我考核：實(shí)現(xiàn)一個(gè)簡單的model serving http服務(wù)。

算法工程交叉

大規(guī)模算法運(yùn)行

分布式訓(xùn)練

在很多項(xiàng)目中，數(shù)據(jù)量達(dá)到十億級以上的情況下，單機(jī)訓(xùn)練會難以支撐。因此分布式訓(xùn)練也是實(shí)際工程落地中非常重要的一個(gè)主題。分布式訓(xùn)練涉及到多機(jī)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(yùn)維等話題，具體可以參考《分布式機(jī)器學(xué)習(xí)》。另外對于分布式系統(tǒng)，也可以參閱《數(shù)據(jù)密集型應(yīng)用系統(tǒng)設(shè)計(jì)》這本神作，了解其背后原理。

• 自我考核：能夠在多機(jī)上進(jìn)行億級數(shù)據(jù)的GBDT模型訓(xùn)練與預(yù)測。

高性能計(jì)算

在做大規(guī)模的數(shù)據(jù)訓(xùn)練與推理時(shí)，近些年涌現(xiàn)出許多高性能計(jì)算優(yōu)化的方法，例如從硬件方面，有各種超線程技術(shù)，向量化指令集，GPGPU，TPU的應(yīng)用等，從軟件方面，有針對數(shù)值計(jì)算場景的OpenBLAS，有自動(dòng)并行化的OpenMP，有各種codegen，JIT技術(shù)下的運(yùn)行時(shí)優(yōu)化等。這方面可以學(xué)習(xí)的方向也很多，從基礎(chǔ)的并行編程，編譯原理及優(yōu)化的知識開始，到CUDA，OpenMP的應(yīng)用（例如Nvidia的cuDNN，還有LightGBM中也用到了OpenMP），Codegen，JIT等技術(shù)在Spark，TVM等項(xiàng)目中的使用等，建議有深度性能優(yōu)化需求時(shí)可以往這些方向做調(diào)研和學(xué)習(xí)。

• 自我考核：能夠通過LLVM JIT來優(yōu)化實(shí)現(xiàn)Spark window function的執(zhí)行性能。

模型加速領(lǐng)域

這個(gè)方向分兩個(gè)部分，一塊是模型訓(xùn)練方面，能夠做到加速，例如使用大batch size，遷移學(xué)習(xí)，持續(xù)的在線/增量學(xué)習(xí)等手段，另一塊在模型預(yù)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(shù)手段，都是為了做到更高性能，更低資源消耗的模型預(yù)測推理。這方面業(yè)界有各個(gè)方向的文章和技術(shù)實(shí)現(xiàn)可以參考，比如經(jīng)典的《Training ImageNet in 1 Hour》，MobileNet，TensorRT，二值網(wǎng)絡(luò)等。

• 自我考核：在典型的銷量預(yù)測場景中實(shí)現(xiàn)增量訓(xùn)練與預(yù)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(xùn)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(yīng)用于離線實(shí)驗(yàn)與線上運(yùn)行。

• 自我考核：使用Airflow完成一個(gè)標(biāo)準(zhǔn)的項(xiàng)目pipeline搭建與運(yùn)行。

數(shù)據(jù)集成

相對于傳統(tǒng)的DevOps，機(jī)器學(xué)習(xí)項(xiàng)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(guān)的具體測試方法，值得參考學(xué)習(xí)。

• 自我考核：在項(xiàng)目中實(shí)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(zhǔn)入測試。

實(shí)驗(yàn)管理

這部分也是ML項(xiàng)目的獨(dú)特之處，在開發(fā)過程中有大量的實(shí)驗(yàn)及相應(yīng)的結(jié)果輸出需要記錄，以指導(dǎo)后續(xù)調(diào)整優(yōu)化的方向，并選擇最優(yōu)結(jié)果來進(jìn)行上線部署。這方面可以參考的項(xiàng)目有MLflow，fitlog，wandb等。當(dāng)然對于單獨(dú)的項(xiàng)目來說，可能online Excel就能滿足需求了 :)

• 自我考核：在實(shí)際項(xiàng)目中實(shí)行一套標(biāo)準(zhǔn)的實(shí)驗(yàn)記錄手段，并能從中找出各類實(shí)驗(yàn)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(yù)計(jì)算的形式，所以主要依賴的技術(shù)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(fù)雜，例如在線pipeline的運(yùn)行，實(shí)時(shí)特征獲取，low latency/high throughput的serving服務(wù)等，可以參考TF Serving，MLeap，H2O，PredictionIO，PMML/PFA/ONNX等開發(fā)標(biāo)準(zhǔn)模型格式等。

• 自我考核：部署一個(gè)實(shí)時(shí)預(yù)測服務(wù)，能夠根據(jù)用戶輸入產(chǎn)生相應(yīng)的預(yù)測結(jié)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(biāo)準(zhǔn)實(shí)踐，在算法項(xiàng)目中，額外引入了數(shù)據(jù)這個(gè)維度的復(fù)雜性，帶來了一些新的挑戰(zhàn)。在這個(gè)方向上，幾個(gè)主要話題包括自動(dòng)化測試，pipeline打包部署，持續(xù)監(jiān)控運(yùn)維等，可以參考Martin Fowler關(guān)于CD4ML的文章。工具系統(tǒng)層面，可以學(xué)習(xí)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(shí)現(xiàn)pipeline自動(dòng)測試，打包，上線流程。

系統(tǒng)監(jiān)控

在整個(gè)項(xiàng)目上線后，需要對系統(tǒng)的各個(gè)環(huán)節(jié)進(jìn)行監(jiān)控，并對各種異常情況作出響應(yīng)。例如輸入數(shù)據(jù)的監(jiān)控，判別測試數(shù)據(jù)與訓(xùn)練數(shù)據(jù)的分布是否有偏移，整個(gè)運(yùn)行pipeline的監(jiān)控，判別是否有運(yùn)行失敗拋出異常的情況，對于預(yù)測輸出的監(jiān)控，確保沒有異常的預(yù)測輸出值，也包括對于系統(tǒng)計(jì)算資源等方面的監(jiān)控，確保不會因?yàn)橘Y源不足導(dǎo)致業(yè)務(wù)受到影響等。在監(jiān)控信息收集，基礎(chǔ)上，還需要配套一系列的自動(dòng)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(xiàng)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(gè)項(xiàng)目中做過的問題排查改造成常規(guī)監(jiān)控手段，支持自動(dòng)的問題發(fā)現(xiàn)，告警通知，如有可能，提供自動(dòng)化或半自動(dòng)化的問題排查解決方案。

MLOps系統(tǒng)

MLOps整體是一個(gè)比較大的話題，在這方面有很多產(chǎn)品和系統(tǒng)設(shè)計(jì)方面的實(shí)踐可以參考學(xué)習(xí)。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(shè)計(jì)理念，演進(jìn)思考，白皮書等都非常值得我們學(xué)習(xí)。在開源界也有很多可以參考的項(xiàng)目，例如MLflow，Kubeflow，Metaflow，TFX等，可以學(xué)習(xí)他們的設(shè)計(jì)理念，Roadmap，以及實(shí)現(xiàn)細(xì)節(jié)等。

• 自我考核：總結(jié)各個(gè)MLOps產(chǎn)品的功能模塊矩陣對比，能夠根據(jù)項(xiàng)目需求來進(jìn)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(shí)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(wù)系統(tǒng)的數(shù)據(jù)表設(shè)計(jì)及優(yōu)化等，都需要對數(shù)據(jù)庫的運(yùn)作原理，適用場景，運(yùn)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(wù)，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(jì)算查詢引擎，包括分布式系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。這方面推薦的學(xué)習(xí)資料有《數(shù)據(jù)庫系統(tǒng)內(nèi)幕》及《數(shù)據(jù)密集型應(yīng)用系統(tǒng)設(shè)計(jì)》。

• 自我考核：能夠理解SQL執(zhí)行計(jì)劃，并能夠根據(jù)執(zhí)行計(jì)劃來做索引或查詢調(diào)優(yōu)。

關(guān)系型數(shù)據(jù)庫

目前常用的關(guān)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(quán)限相關(guān)）。在此基礎(chǔ)上還可以進(jìn)一步了解一些如數(shù)據(jù)類型，高級計(jì)算，存儲引擎，部署運(yùn)維，范式概念與表結(jié)構(gòu)設(shè)計(jì)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(shè)計(jì)相關(guān)表結(jié)構(gòu)，存儲實(shí)際項(xiàng)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(xiàng)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(dāng)泛KV來用），或者更新一點(diǎn)的類似Delta Lake的存儲系統(tǒng)。建議學(xué)習(xí)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(chǔ)的運(yùn)維排查，性能優(yōu)化方法。

• 自我考核：考慮一個(gè)線上模型服務(wù)的場景，用戶輸入作為基礎(chǔ)特征，使用類似Redis的KV系統(tǒng)，實(shí)現(xiàn)實(shí)時(shí)獲取其它特征，并進(jìn)行模型預(yù)測。

云計(jì)算

基礎(chǔ)架構(gòu)

IT系統(tǒng)總體的發(fā)展趨勢在往云計(jì)算方向演進(jìn)，即使是自建的基礎(chǔ)設(shè)施，也會采用云計(jì)算的一套構(gòu)建方式，讓開發(fā)者不用過多的關(guān)注底層計(jì)算存儲資源的部署運(yùn)維。對于應(yīng)用開發(fā)者來說，需要了解一些基礎(chǔ)架構(gòu)方面的知識，例如各類虛擬化及容器技術(shù)，配置管理，容器編排等，便于在日常工作中使用相關(guān)技術(shù)來管理和發(fā)布應(yīng)用。從工具層面看，Docker與k8s等技術(shù)發(fā)展速度較快，主要還是根據(jù)官方文檔來學(xué)習(xí)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(cuò)的學(xué)習(xí)資料。與算法應(yīng)用結(jié)合的虛擬化，運(yùn)維，持續(xù)集成等都是比較新的領(lǐng)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(xiàng)目，總結(jié)制定一套開發(fā)，測試，發(fā)布，運(yùn)維的標(biāo)準(zhǔn)流程，且盡可能自動(dòng)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(shí)現(xiàn)的HDFS，不過隨著硬件技術(shù)的發(fā)展，計(jì)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(gòu)的復(fù)雜度也大大降低了。因此目前更建議學(xué)習(xí)簡單的object store形式的分布式存儲，例如s3，minio等。在此基礎(chǔ)上的一些存儲系統(tǒng)，例如Delta Lake，提供了事務(wù)，高效的upsert，time travel等功能，也值得關(guān)注與學(xué)習(xí)。原理方面，還是推薦《數(shù)據(jù)密集型應(yīng)用設(shè)計(jì)》這本。

• 自我考核：在項(xiàng)目中實(shí)現(xiàn)不同機(jī)器能夠訪問同一個(gè)s3路徑的文件，并進(jìn)行正常的數(shù)據(jù)讀寫，模型文件讀寫等功能。

分布式計(jì)算

大數(shù)據(jù)時(shí)代的分布式計(jì)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(shí)現(xiàn)，在前幾年是非常火熱的一項(xiàng)技術(shù)。目前業(yè)界的主流是Spark和Flink，前者在批處理計(jì)算中處于霸者地位，后者是流處理領(lǐng)域的領(lǐng)先者。目前我們的業(yè)務(wù)應(yīng)用中，Spark是比較常用的分布式計(jì)算引擎，其基本操作相關(guān)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(diǎn)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(fù)雜計(jì)算或與Python相關(guān)UDF的交互配合方式等。這方面需要對Spark的系統(tǒng)架構(gòu)，內(nèi)部原理有一定了解，例如master，worker，driver，executor等之間的關(guān)系，lazy evaluation，DAG的lineage與stage概念，shuffle優(yōu)化，wholestage codegen等技術(shù)細(xì)節(jié)。這方面暫時(shí)沒有找到比較好的資料，主要還是依賴實(shí)際問題解決的經(jīng)驗(yàn)積累。

• 自我考核：用Spark來實(shí)現(xiàn)項(xiàng)目中的特征工程，并在一定數(shù)據(jù)量情況下取得比單機(jī)Pandas更好的性能效果。

其它話題

其它云服務(wù)基礎(chǔ)設(shè)施還包括分布式數(shù)據(jù)庫，消息隊(duì)列，zk/raft分布式協(xié)作系統(tǒng)，虛擬網(wǎng)絡(luò)，負(fù)載均衡等。這些話題離算法應(yīng)用方面會比較遠(yuǎn)一些，基本上達(dá)到遇到需求時(shí)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(dòng)化機(jī)器學(xué)習(xí)中比較傳統(tǒng)的一塊是超參數(shù)優(yōu)化，進(jìn)而可以推廣到整個(gè)pipeline的超參優(yōu)化，包括數(shù)據(jù)預(yù)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(yīng)用比較廣泛的技術(shù)手段主要是隨機(jī)搜索，貝葉斯優(yōu)化，進(jìn)化算法，Hyperband/BOHB等，在特征工程方面有Featuretools，tsfresh，AutoCross等自動(dòng)化特征工程工具。學(xué)術(shù)界有一些進(jìn)一步的探索研究，包括multi-fidelity優(yōu)化，多任務(wù)優(yōu)化，HPO結(jié)合ensemble learning，pipeline planning，data diff自動(dòng)數(shù)據(jù)分布探測等方面?？梢詤⒖?span id="s0sssss00s" class="invisible">http://automl.org上的各類參考資料與書籍進(jìn)行學(xué)習(xí)了解。主要難點(diǎn)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(xué)習(xí)算法的自動(dòng)優(yōu)化手段等。

• 自我考核：了解超參優(yōu)化的基礎(chǔ)概念，能夠在項(xiàng)目中應(yīng)用框架工具來實(shí)現(xiàn)模型超參的貝葉斯優(yōu)化流程。

元學(xué)習(xí)

Meta learning是近年來非?；钴S的一個(gè)新興領(lǐng)域，其主要思路是希望能通過元學(xué)習(xí)模型方法，去積累建模調(diào)優(yōu)的先驗(yàn)知識，跨任務(wù)推斷模型效果并warm start新的訓(xùn)練任務(wù)，或者指導(dǎo)學(xué)習(xí)算法來進(jìn)行更高效的具體任務(wù)的訓(xùn)練過程。這方面在工業(yè)界的主要應(yīng)用基本上集中在建模調(diào)優(yōu)先驗(yàn)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(dǎo)在新任務(wù)上做超參優(yōu)化的起始搜索點(diǎn)。學(xué)術(shù)研究中除了configuration space的研究，還包括從learning curve中進(jìn)行學(xué)習(xí)推斷，元特征提取與建模，HTN planning在pipeline構(gòu)建中的應(yīng)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（https://lilianweng.github.io/lil-log/2018/11/30/meta-learning.html），以及http://automl.org網(wǎng)站上的資料。

• 自我考核：設(shè)計(jì)一系列meta feature與meta learning手段，實(shí)現(xiàn)對新任務(wù)的參數(shù)選擇的初始化。

NAS

AutoML領(lǐng)域比較火，但也是比較特別的一個(gè)方向，目前需要大量的計(jì)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(gè)方向的一些工作即可，不做深入探索學(xué)習(xí)。

AutoML系統(tǒng)

自動(dòng)化機(jī)器學(xué)習(xí)相關(guān)的框架工具也非常多，比較有代表性的框架有auto-sklearn(來自http://automl.org團(tuán)隊(duì))，nni(microsoft)，auto-gluon(amazon)，H2O，ray tune等，在工具級別也有如hyperopt，SMAC3，featuretools等?？梢酝ㄟ^學(xué)習(xí)這些工具框架，了解AutoML系統(tǒng)的架構(gòu)與實(shí)現(xiàn)方式，并應(yīng)用到實(shí)際項(xiàng)目中。

• 自我考核：使用一種AutoML系統(tǒng)來進(jìn)行項(xiàng)目的模型自動(dòng)優(yōu)化，并與手工優(yōu)化的結(jié)果進(jìn)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(shù)

主要有三個(gè)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(jié)構(gòu)簡單，根據(jù)其原理，可以直接對預(yù)測結(jié)果，特征使用等方面給出解釋。另外一些復(fù)雜模型，例如EBM，神經(jīng)網(wǎng)絡(luò)，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(guān)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(jì)算的開銷一般都會比較大，不太容易在工程中實(shí)現(xiàn)落地。這方面的資料可以學(xué)習(xí)《Interpretable Machine Learning》和《Explainable AI》（關(guān)于深度學(xué)習(xí)的內(nèi)容會更多）。另外學(xué)術(shù)界也有很多前沿探索，比如針對模型解釋的降維工作，自動(dòng)的時(shí)間序列分析及報(bào)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(guān)注。

• 自我考核：理解LIME，Shapley的運(yùn)作原理，并分析其局限性，嘗試提出改進(jìn)方案。

模型解釋應(yīng)用

從工具框架方面，有許多可以使用的開源項(xiàng)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(dòng)化的誤差分析與模型改進(jìn)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(lǐng)域中。在工具基礎(chǔ)上，如何結(jié)合業(yè)務(wù)領(lǐng)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(jìn)行模型解釋，并在此基礎(chǔ)上形成面向開發(fā)者的模型debug，誤差分析及改進(jìn)方案，或形成面向業(yè)務(wù)的what-if分析看板。

總結(jié)

目前機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域還在高速發(fā)展與演進(jìn)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(jìn)來，需要練就快速學(xué)習(xí)并應(yīng)用落地的能力。在掌握前面編程，軟件工程，機(jī)器學(xué)習(xí)的基礎(chǔ)上，后半部分的研究方向，大家可以根據(jù)個(gè)人興趣，選擇幾個(gè)進(jìn)行深入探索與實(shí)踐。僅閱讀相關(guān)書籍和文章，只能對知識內(nèi)容有一個(gè)初步的認(rèn)識，必須要通過深入的動(dòng)手實(shí)踐，反復(fù)試錯(cuò)思考和修正，才能逐漸內(nèi)化為自己的技能，并構(gòu)建起較為堅(jiān)實(shí)的知識體系。

作者：知乎—字節(jié) https://www.zhihu.com/people/zijie0