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，可以帶著實踐進行學(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層級：

初級：可以在一些指導(dǎo)和協(xié)助下獨立完成開發(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(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)對項目中各種復(fù)雜多變的挑戰(zhàn)，對于已有技術(shù)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(gòu)設(shè)計，甚至項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：可以獨立負責(zé)一條產(chǎn)品線的運作。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，定義整個產(chǎn)品線的前進方向。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)造更大的價值。

事實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，算法深入方向幾個部分，在各個部分內(nèi)部會進一步區(qū)分一些主題。在各個主題內(nèi)部，也是有深入程度的區(qū)別的，不過限于篇幅沒有進行詳細的說明。建議學(xué)習(xí)路線可以先把兩個基礎(chǔ)部分與工作中較為相關(guān)的內(nèi)容做一個整體基礎(chǔ)的夯實，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(xué)習(xí) Python 的編程風(fēng)格，建議學(xué)習(xí)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(yīng)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(fù)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(yīng)用高級技巧的點進行實踐，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，運維工具，數(shù)據(jù)處理，機器學(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，嘗試寫一個簡單的 model serving http 服務(wù)，并編寫相應(yīng)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(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(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(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，項目編譯運行等基礎(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 來實現(xiàn)一些簡單算法問題，例如 DFS/BFS?；蛘呤褂?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(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(chǔ)架構(gòu)等方面有廣泛的應(yīng)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(yīng)用。這方面推薦學(xué)習(xí)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(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(xué)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(xué)習(xí)方面也有很多實際應(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 “藍色” 也作為這個領(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(xué)習(xí)的新語言，也是一個進入 PL 領(lǐng)域深入學(xué)習(xí)的 "gateway drug" :) 對這個方面有興趣的同學(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++ 為主要語言進行實現(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)計理念和一些業(yè)界應(yīng)用（例如 TiKV）來看還是非常不錯的，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)境運行在物理硬件之上的。在實際運作過程中，會碰到不少相關(guān)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(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)碰到了實際問題，可以再在各個部分深入學(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(xùn)練任務(wù)過程中，底層使用到的硬件，操作系統(tǒng)組件，及其交互運作的方式是如何的。

Linux 基礎(chǔ) 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(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包括：Shell 與命令行工具，軟件包管理，用戶及權(quán)限，系統(tǒng)進程管理，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 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(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(xué)可以針對性的進行深入學(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(xué)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(xué)習(xí)算法。這塊的學(xué)習(xí)資料網(wǎng)上有非常多，個人當(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，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)站進行實戰(zhàn)操作進行練習(xí)提高。

自我考核：能夠設(shè)計相關(guān)的數(shù)據(jù)結(jié)構(gòu)，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(xí)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(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)秀的項目代碼，才能逐漸精進。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(shè)計模式 在代碼架構(gòu)方面，設(shè)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(dāng)屬 GoF 的《設(shè)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(shè)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：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，并加以運用。Python 相關(guān)的設(shè)計模式應(yīng)用，還可以參考《Python in Practice》。

自我考核：在項目中，找到一處可以應(yīng)用設(shè)計模式的地方，進行重構(gòu)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(xué)習(xí)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(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作方式，在此基礎(chǔ)上可以進一步閱讀 Martin Fowler 對于機器學(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：在項目中，實現(xiàn)基礎(chǔ)的數(shù)據(jù)輸入測試，預(yù)測輸出測試。

項目管理 軟件工程推進過程中，項目管理相關(guān)的技能方法與工具運用也非常的關(guān)鍵。其中各種研發(fā)流程與規(guī)范，例如敏捷開發(fā)，設(shè)計評審，代碼評審，版本管控，任務(wù)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(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(xué)習(xí)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(zé)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(shè)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(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(xué)習(xí)和了解，例如技術(shù)選型與系統(tǒng)架構(gòu)設(shè)計，架構(gòu)設(shè)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(xué)可以了解一下極客時間的《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)計模式》還有領(lǐng)域驅(qū)動設(shè)計方面的一系列書籍也值得參考學(xué)習(xí)。

自我考核：設(shè)計一個算法項目 Docker 鏡像自動打包系統(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(xué)基礎(chǔ)知識有一定的要求，例如概率論，統(tǒng)計學(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(yù)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(yīng)不同的可視化最佳實踐，如選擇不同的圖表類型，板式設(shè)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(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(chǔ)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(dǎo)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(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)成一個既定事實。

由分析發(fā)現(xiàn)的根源問題，對于結(jié)果驗證也更有幫助。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(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)分析的目標去看為什么這個特征沒有效果，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(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?？梢栽诹私膺@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。

機器學(xué)習(xí)基礎(chǔ)傳統(tǒng)機器學(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《機器學(xué)習(xí)》，涵蓋了機器學(xué)習(xí)基礎(chǔ)，常用機器學(xué)習(xí)方法，和一些進階話題如學(xué)習(xí)理論，強化學(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)計學(xué)習(xí)方法》。在實戰(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，提高整體實驗迭代的效率和成功率。

自我考核：結(jié)合實際業(yè)務(wù)和機器學(xué)習(xí)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(xué)習(xí) 近些年興起的深度學(xué)習(xí)，已經(jīng)成為機器學(xué)習(xí)領(lǐng)域一個非常重要的分支，在各個應(yīng)用方向發(fā)揮了很大的作用。相對于傳統(tǒng)機器學(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，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)在實際應(yīng)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(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，尤其要注意在實際算法應(yīng)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(xué)習(xí)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(lǐng)域建模 目前我們的業(yè)務(wù)領(lǐng)域在時間序列預(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。在時間序列領(lǐng)域，包括了傳統(tǒng)時序模型，如 ARIMA, Prophet，機器學(xué)習(xí)模型，如劃動窗口特征構(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，相關(guān)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(xué)習(xí)建模方法，結(jié)合實際業(yè)務(wù)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(fù)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(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(chǔ)數(shù)據(jù)操作的基礎(chǔ)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(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(xué)習(xí)框架 機器學(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，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(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

時間序列：fbprophet，sktime，pyts

大規(guī)模機器學(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(guān)的源代碼，深入理解其背后的原理。

自我考核：在 LightGBM 框架下，實現(xiàn)一個自定義的損失函數(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，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(wù)。

算法工程交叉大規(guī)模算法運行分布式訓(xùn)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(xùn)練會難以支撐。因此分布式訓(xùn)練也是實際工程落地中非常重要的一個主題。分布式訓(xùn)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(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》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(xùn)練與預(yù)測。

高性能計算 在做大規(guī)模的數(shù)據(jù)訓(xùn)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(shù)，向量化指令集，GPGPU，TPU 的應(yīng)用等，從軟件方面，有針對數(shù)值計算場景的 OpenBLAS，有自動并行化的 OpenMP，有各種 codegen，JIT 技術(shù)下的運行時優(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(xué)習(xí)。

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(lǐng)域 這個方向分兩個部分，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)界有各個方向的文章和技術(shù)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(luò)等。

自我考核：在典型的銷量預(yù)測場景中實現(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(xué)習(xí)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(guān)的具體測試方法，值得參考學(xué)習(xí)。

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(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)果來進行上線部署。這方面可以參考的項目有 MLflow，fitlog，wandb 等。當(dāng)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(yù)計算的形式，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 的運行，實時特征獲取，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)標準模型格式等。

自我考核：部署一個實時預(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)成為一種標準實踐，在算法項目中，額外引入了數(shù)據(jù)這個維度的復(fù)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(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(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(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)計算資源等方面的監(jiān)控，確保不會因為資源不足導(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(shè)計方面的實踐可以參考學(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)計理念，演進思考，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目，例如 MLflow，Kubeflow，Metaflow，TFX 等，可以學(xué)習(xí)他們的設(shè)計理念，Roadmap，以及實現(xiàn)細節(jié)等。

自我考核：總結(jié)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(wù)系統(tǒng)的數(shù)據(jù)表設(shè)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(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，以及各種計算查詢引擎，包括分布式系統(tǒng)的設(shè)計與實現(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》。

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(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(jié)構(gòu)設(shè)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(shè)計相關(guān)表結(jié)構(gòu)，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(dāng)泛 KV 來用），或者更新一點的類似 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)的運維排查，性能優(yōu)化方法。

自我考核：考慮一個線上模型服務(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)，實現(xiàn)實時獲取其它特征，并進行模型預(yù)測。

云計算基礎(chǔ)架構(gòu) 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(chǔ)設(shè)施，也會采用云計算的一套構(gòu)建方式，讓開發(fā)者不用過多的關(guān)注底層計算存儲資源的部署運維。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》是兩本非常不錯的學(xué)習(xí)資料。與算法應(yīng)用結(jié)合的虛擬化，運維，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：對于已有的算法項目，總結(jié)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(shù)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(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》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(shù)。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(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(wù)基礎(chǔ)設(shè)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(luò)，負載均衡等。這些話題離算法應(yīng)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(xué)習(xí)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(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(xué)術(shù)界有一些進一步的探索研究，包括 multi-fidelity 優(yōu)化，多任務(wù)優(yōu)化，HPO 結(jié)合 ensemble learning，pipeline planning，data diff 自動數(shù)據(jù)分布探測等方面。可以參考 http://automl.org 上的各類參考資料與書籍進行學(xué)習(xí)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(xué)習(xí)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(chǔ)概念，能夠在項目中應(yīng)用框架工具來實現(xiàn)模型超參的貝葉斯優(yōu)化流程。

元學(xué)習(xí) Meta learning 是近年來非常活躍的一個新興領(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。學(xué)術(shù)研究中除了 configuration space 的研究，還包括從 learning curve 中進行學(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)計一系列 meta feature 與 meta learning 手段，實現(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(xué)習(xí)。 AutoML 系統(tǒng) 自動化機器學(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 團隊)，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)與實現(xiàn)方式，并應(yīng)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(jié)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(shù) 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(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(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(guān)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(yīng)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(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，誤差分析及改進方案，或形成面向業(yè)務(wù)的 what-if 分析看板。

總結(jié) 目前機器學(xué)習(xí)應(yīng)用領(lǐng)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(xué)習(xí)并應(yīng)用落地的能力。在掌握前面編程，軟件工程，機器學(xué)習(xí)的基礎(chǔ)上，后半部分的研究方向，大家可以根據(jù)個人興趣，選擇幾個進行深入探索與實踐。僅閱讀相關(guān)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(fù)試錯思考和修正，才能逐漸內(nèi)化為自己的技能，并構(gòu)建起較為堅實的知識體系。 作者介紹

周遠（花名：字節(jié)），觀遠數(shù)據(jù)聯(lián)合創(chuàng)始人與首席數(shù)據(jù)科學(xué)家。致力于算法前沿技術(shù)在泛零售消費領(lǐng)域的應(yīng)用落地，深度參與主導(dǎo)了多個 AI 項目在行業(yè)頭部，世界五百強客戶的應(yīng)用和上線，也和團隊一起多次斬獲智能零售方向的 Hackathon 冠軍。曾就職于微策略，阿里云從事商業(yè)智能產(chǎn)品與云計算系統(tǒng)研發(fā)工作，擁有十多年的行業(yè)經(jīng)驗。目前研究興趣主要包括可解釋機器學(xué)習(xí)，AutoML 和大規(guī)模機器學(xué)習(xí)系統(tǒng)方向。