在这篇文章中我说道在选择工作的时候有以下的考虑：

行业>方向>领域>专业 举例来说： 行业：电商行业（淘宝），O2O（美团），直播（快手），短视频（抖音）、智慧+一切 etc 方向：算法、工程、大数据 etc 领域（工业应用）：广告，搜索，推荐 【业务成熟】，量化投资，自动驾驶，语音识别 etc 专业（偏学术，学校）：nlp、cv、ml、dl、asr、mmu etc

当然这个分类也是一个前辈告诉我的，我个人倒觉得方向和领域这两个的顺序，可以思考一下。Anyway，我们在学习的时候，一般是倒着来的。首先你要挑选一个专业，然后会确定自己的方向（nlp不仅仅是算法，有对应的很多工程实现，当然海量数据怎么处理，有一些工具专为nlp而生），领域上，往往是几个专业的交叉，而这些专业肯能不仅仅包括cs/ai相关的知识，例如量化投资，很明显就需要金融相关的知识。

这个专栏， 试图从自然语言的角度切入，从专业->领域->方向->行业，做一条全链路的解析，供读者参阅。

如我的专栏中所说，一个合格的算法工程师应该有一定的工程能力，系统设计先不说，基础的算法和数据结构，机器学习基础，深度学习基础，NLP的知识，都是我们应该具有的能力。

AND，SOTA的paper和技术，也是需要我们follow的。不仅仅是为了提升业务效果，而且时常更新我们的知识和眼界，学习前辈/后浪的优点，才能更好的应对遇到的问题。

最后，工业落地。不要排斥这个，NLP没有独角兽的原因（感觉google，搜狗和百度似乎可以算哈）是没有找到合适的直接落地的场景，说白了没有钱赚。视频识别直接落地到了安防，这个叫做安防领域，进一步到了这是不是也叫安防行业，我也不太明白。我会就我所知，将互联网行业的“搜光推”和大家介绍一下。其他不懂得，我会请了解的小伙伴来搀和一下。

算法的本质是在解决问题。知道自己的能力是什么，知道自己想要/擅长解决的问题是什么，match起来。这才是每一个算法从业者应该考虑的问题。

所以我总结如下，也会逐渐将每个知识点归纳在这里，不仅可以帮助大家学习整理，也可以作为大家学习和面试的一个提纲，both for interviewer and interviewee, hopefully.

一、基础算法与数据结构：一个月突破算法面试系列

二、机器学习基础：

三、自然语言处理基础：https://zhuanlan.zhihu.com/p/198892212

四、深度学习基础：

五、前沿paper解读和公开赛（例如 kaggle）的策略分析：

六、搜索？推荐？广告？MMU？：

为什么我觉得算法工程师主要是为了解决问题呢？你觉得算法就是简单的在考察你的coding，你的项目么？你的专业知识？

ok，现在有一个问题摆在你的面前：面试。你要如何应对它？嘿嘿

-------