运用各类机器学习模型，进行图像、语音、自然语言处理、搜索推荐等领域的算法设计、评估、优化，提供个性化推荐服务的工程师。

1. 深度理解业务发展需求，根据业务目标进行推荐算法、算法架构的研发工作

2. 基于海量数据，通过数据挖掘、知识图谱、自然语言处理、图像处理、语音处理等技术，设计推荐算法模型，为用户提供服务

3. 优化、迭代业务的核心算法、模型及推荐策略，提升推荐效果和用户体验

4. 关注点击率、留存率、转化率、观看完整率等效果指标，分析用户行为，构建用户画像系统

5. 跟踪搜索、推荐、深度学习等相关领域前沿技术，在实际业务中探索应用

本科及以上

1. 数学：微积分、统计学、线性代数

2. 周边学科：信息论基础

3. 推荐算法： CF、LR、SVM、FM、FTRL、GBDT、RF、SVD、RBM、RN、LSTM、RL

4. 数据挖掘：分类、聚类、回归、降维、特征选择、模型评价

C 语言程序设计、计算机组成原理、数据结构、高级语言程序设计、离散数学数据结构、计算机原理与汇编语言、操作系统与应用、计算机网络与应用等

1. 操作系统： Linux

2. 编程语言： Python/R， Java/C++/C，sql，shell

3. RPC框架： thrift， Dubbo，gRPC

4. web服务： tornado, django, flask

5. 数据存储： redis, hbase, cassandra, mongodb, mysql, hdfs，hive, kafka, elasticsearch

6. 机器学习/深度学习： Spark MLib，GraphLab/GraphCHI，Angel，MXNet，TensorFlow，Caffe, Xgboost，VW，libxxx

7. 文本处理： Word2vec，Fasttext，Gensim，NLTK

8. 矩阵分解： Spark ALS，GraphCHI，implicit，qmf，libfm

9. 相似计算： kgraph, annoy，nmslib, GraphCHI, columnSimilarities(spark.RowMatrix)

10. 实时计算： Spark Streaming, Storm，Samza

较强的逻辑思维能力、学习能力、抗压能力

1. Python 编辑器：Pycharm，Jupyter Notebook（Anaconda中自带的 网页交互式应用程序） 

2. 拉代码、传代码、代码托管：Git、Github

深度学习技术的逐步成熟，推动了 AI 第三次浪潮的到来，纵观目前 AI 在互联网行业上的应用，有比较好的产品落地及商业化价值的应用主要有 7 个大方向，其中就包括了推荐系统。而推荐又是互联网公司最普及也是最能产生现金流的方向之一，因此，推荐算法工程师十分有前景。

1. 技术路线：一是偏工程实现、二是偏算法研究、三是综合类(工作涉及到算法开发及对应的工程实现)、四是偏业务

2. 管理路线：管理方向再往上走可以是技术 VP，CTO 等更高的级别

3. 转行换方向：如算法产品经理、项目经理、数据分析等