本文详细介绍了如何转行至算法岗特别是机器视觉算法工程师的路径。文章首先分析了算法岗的要求包括学历、项目经验、竞赛成绩等并分享了个人的转行经历。接着文章系统地梳理了所需的基础知识如数学、编程语言、数据结构、传统数字图像处理、Linux等并推荐了相关的学习资源。此外还介绍了算法框架Keras、PyTorch、机器学习基础、深度学习等内容并提供了实战建议如参加比赛、复现论文、参与项目等。最后文章展望了后续的学习和发展方向强调了持续学习和实践的重要性。#01关于择业考虑算法岗是什么算法岗从根本内容上来说是算法算力数据应用场景的交集。从工作要求的角度来讲是你的能力能够匹配大厂需要的工作要求。从个人角度来说是你能够快速迭代和更新所需要的机器学习/深度学习知识特定项目经历比赛/相关paper数据结构并且能接受加班和kpi绩效化。当然相对来说工资比较高而且是未来5年的主航道。是否能转行到算法岗如果你专业也不对口学校也不好并且还没读过研究生对这个也没啥项目经验甚至都找不到同伴或者学习成长机会的话或者本身又没有很坚定的毅力去转行或者本身就对这个完全不感兴趣的话我觉得本帖其实是劝退帖。因为算法岗是越来越卷要求是越来越高发展是越来越快这几年火过几年可能就烂大街了不持续更新和发展你可能还得转行。而且很可能你投入时间和精力和结果不成正比最重要的是可能还拿不到很好的offer。另外你说报个班学一下前端开发或者java开发有一些编程基础会好很多这个我觉得大概率是可以的不看出身。能挣的钱很重要但是你专心从事软件开发前后端开发云上业务嵌入式或者android开发测试或者运维的话努力打拼几年收入也未必会低多少。算法岗基本要求大厂的算法岗硕士现在是基本起步门槛专业可以不限也是主力军等第一批人工智能本科生毕业也是3年以后的事情了。并且如果你是校招的话最好成绩能挤进学校前20%or 学校最好是985/211毕竟这个才能体现你的学习能力。能够通过简历大关的大概率是满足以下多条的应聘者1 有相关工作或者对口实习经历2 学校好成绩优秀3 有对应paper专利或者软著等学术成就4 有知名竞赛的top排名github关注度高csdn某一领域专家或者知乎专栏专家等如果你能做到、或者下定决心做到以上四点中的二点以上我觉得其实你选择这条路跟万千大众一起卷还是能活下去的。#02本人“转行”经历本人本科毕业于西南某末流985研究生毕业于某top QS15控制工程专业。最开始主要研究领域是做低压电控制。研究生毕业后在菊花厂主要做开发工作并不是专门做机器视觉的或者CS科班出身。后来也是因为机缘巧合感觉做CV算法落地非常有前景所以加入某创业公司成长和学习在对目标检测的工业应用较为熟悉之后就去面了一些匹配的工作斩获阿里之江海康等大厂offer准备开始新一段征程。分享一下我这一年的入门经验让更多的小白能够少走弯路、顺利转行早日走上人生巅峰。#03主航道选择CV, NLP时间序列推荐算法语音做推荐算法的话应该是需要大数据hadoop/spark推荐算法结合主要可以去的是电商自媒体平台等做NLP的话应该是数据分析nlp时间序列做风险评估和预测模型分析等做CV的话主要涉及到目标检测/分割 or GAN or SLAM主要应用在安防缺陷检测自动驾驶AIOT方面传统的一些目标检测类的项目主要是在做工业应用的落地这两年比较火例如商汤工业、阿里大脑or CBU等学术上发展其实划时代作品日趋减少也有一些人脸和GAN的超分辨等应用在新媒体和手机等还有更超前的NAStransform等落地和大范围推广也许还需要几年。语音以此为主的相对略少例如科大讯飞各厂的智能音箱等选择一个你感兴趣并且有资源或者学习机会能够不断学习和进步的方向。感觉卷的程度是: CV推荐算法NLP时间序列语音机会概率现在也是如此排序。我个人还是结合自己经历这两年还是看好目标检测的落地和AIOT的发展。但是再往后发展还是多模态更有优势和钱途。下面分享内容也是按照目标检测的入门内容做分享。#04基础知识准备算法工程师或者机器视觉算法工程师前提是工程师然后才是算法。所以要先提升工程实践能力达标然后再去理解算法最后只求性能和准确度实现落地。01数学尤其是线性代数概率论高数凸优化等建议大家找原来的教材或者内容捡起来或者找一些基础视频看看要是实在没时间就先跳过用到再去详细学。推荐3Blue1Brown https://space.bilibili.com/88461692?fromsearchseid919114438897976742402编程语言python: 这个是一门需要必会的语言会用非常简单但是写得好还是需要一定难度、并且安装包非常多建议刷题时候选用。主要是用来实现模型的搭建算法的测试效果的评估等。c: 这个是一门需要会使用的预言精通还是挺难的。但是在落地项目模型速度优化和部署cuda的时候可能会使用到。是商业落地的必备在做SLAM或者ROS的时候是基本功。这个只能说会用离精通确实还差不少。03数据结构如果是找工作为前提的话根据自己情况选择如果从来没有学过数据结构建议郝斌版本的入门教程如果没时间的话建议快速过一遍《剑指offer》大概2周左右如果时间充裕情况下建议留2个月时间每天好好刷题剑指offerleetcode如果是大神追求能力提高请上猛书《算法导论》04传统数字图像处理基础很多时候其实会用到很多传统图像处理知识例如说帧差法hsv或者rgb转换等。所以需要OpenCV库函数使用非常6最好一些基础知识能过一遍。05Linux推荐《鸟叔的私房菜》#05算法框架我推荐keras, pytorchkeras: 已经被封装到了tf2.x中现在。最开始使用的理由是因为他可以把繁琐的tf1.x都封装的很好留出接口便捷调用。推荐入门书籍:keras之父的《python深度学习》pytorch因为学界很多论文都是使用这个并且有可以和tensorflow抗衡的发展态势。还是强力建议使用并且通过onnx转换成为其他格式也是方便。推荐Yunjey Choi 大佬的 Github 教程简单入门项目地址https://github.com/yunjey/pytorch-tutorial#06机器学习基础理论内容推荐A.基础入门就是吴恩达老师课程https://www.bilibili.com/video/BV164411b7dx?fromsearchseid13060513750123607767B.面试之前快速过一遍李航老师–《统计学习方法第二版》C.查漏补缺的、比较全面的工具书周志华老师–《机器学习》俗称“西瓜书”可以搭配“南瓜书”AI有“四大名著”实战推荐关于第三本就是《基于scikit-learn、keras和tensorflow 机器视觉实战(第二版)》适合进行机器视觉实战和应用主要是使用轮子即是scikit-learn而不是造轮子。注意第二版使用tf2.#07深度学习主要是理解一些基础的神经网络及其组成环节卷积、池化、全连接等还有例如batch normalization, drop等基础操作对于搭建网络和使用框架以及构建的常见评价指标的理解和应用。理论基础推荐必吴恩达老师课程https://www.bilibili.com/video/BV1FT4y1E74V?fromsearchseid12610186660775144635深入学习高手进阶“四大名著”之四花书。这个写的感觉还是挺晦涩难懂的大部头的书需要大段时间细细品读。推荐目标检测入门到精通熟悉会使用来自首尔国立大学的 Lee hoseong 开源了 「deep learning object detection」 GitHub 项目列举了近些年来深度学习-目标检测重要论文。其他论文可参考下图。项目链接是https://github.com/hoya012/deep_learning_object_detection#201450片经典论文需要精读的经典内容一阶段检测代表文章yolov1-v5 ssd二阶段检测代表文章faster rcnn, mask rcnn竞赛常用的结构cascade rcnn推荐分类常用模型熟悉会使用LeNet5 AlexNet VGG GoogleLeNet Inception ResNet DenseNet NasNet mobilenet等。另keras和pytorch都有自带的这些函数可以直接调用很方便。推荐分割常用模型熟悉会使用unet, pspnet, deeplab等推荐关注博主https://www.bilibili.com/video/BV1qJ411S7Pn#08实战篇paper导读推荐公共号我爱机器视觉业内动向公共号量子位AI竞赛和学习公共号Datawhale部署和应用公共号GiantPandaCV, Jack Cui等主要能够提高个人实践能力途径如下所示1去天池kaggle华为等打比赛2读论文复现论文3github上找高star项目实操和改进4工作、实习或者找实验室5yotube上找热评AIOT项目例如jetson nano相关的积累落地经验或者做成实用专利#09后续学习和发展我的目标检测后续的计划总纲 基础知识经典paper熟悉、模型架构和源码、数据处理、模型优化、应用部署、AIOT、竞赛成长在一个主航道上学有所成日积月累达到一定深度然后在扩展自己的宽度。最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用