机器学习手册

外观

模块导读与岗位版图

本页速览 机器学习求职版图全景：算法工程师、ML 工程师、数据科学家、大模型工程师等九类岗位的职责、核心技能与薪资对比，配技能雷达图与背景/兴趣/趋势三维决策清单，并给出 career 模块四页的使用地图。

本页含时效性内容，数据截止于 2026-08；JD、榜单、产品功能等信息可能已变化，引用前请核对原始出处。

模块导读与岗位版图 ​

先记住这一页的一句话：career 模块解决两件事——先看清市场上有哪些岗位、各要什么，再照着差距准备自己。 本文就是这两件事的导航图：岗位版图给你市场信息，决策清单帮你定位，内容地图告诉你去哪四页深挖。

求职最怕的顺序错误是"先努力、再定位"：闷头刷了三个月模型，回头发现目标岗位根本不考这些。career 模块把你拉回正轨——先做信息工作，再做学习工作。

一、模块定位：看清市场，然后准备自己 ​

整个模块的四篇正文串成一条求职流水线，每一站的产出是下一站的输入：

你的处境：想在机器学习领域求职 / 转岗 / 跳槽
         │
         ▼
┌─────────────────────────────────────────────┐
│ ① 看清市场 ── JD 清单                       │
│    市场上在招什么岗？JD 里反复出现的要求是什么？│
│    薪资区间、技能权重、学历门槛             │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ② 看清自己 ── 能力地图                      │
│    把 JD 技能词映射成「会 / 不会 / 半会不会」，│
│    生成个人补课清单，而不是从头通读          │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ③ 包装自己 ── 简历分析                      │
│    按面试官视角重写项目经历：突出模型选择、    │
│    业务结果、失败与复盘                     │
└─────────────────────────────────────────────┘
         │
         ▼
┌─────────────────────────────────────────────┐
│ ④ 证明自己 ── 面试题解析                    │
│    高频考题 + 答题框架，最后自测而非第一天看 │
└─────────────────────────────────────────────┘

这套顺序不是本站发明的，而是求职冲刺线的主线设计：以终为始，从 JD 和面试题倒推学习内容，不求全面，只求高频考点全部覆盖。时间只有两三周就跟着这条主线走；时间充裕，就把主线与本站「导读 → 核心知识 → 案例 → 实践」的常规路径交叉推进。

与其它模块的关系

career 模块不重复讲知识，它只做两件事：市场信息 + 求职方法。概念性的东西去核心知识章理清边界，去术语表查定义。求职阶段最容易犯的错是把时间花在"再学一章"而不是"整理已会的"——career 模块正是为后者设计的。

二、岗位版图：九类岗位全景 ​

先看总表，再逐个拆。

岗位英文常用名一句话定位主要产出
算法工程师Algorithm Engineer国内特有泛称：从建模到上线全程负责能上线、能迭代的模型
机器学习工程师ML Engineer / MLE把模型变成可靠系统的工程化专家稳定高效的训练/推理管道
数据科学家Data Scientist用数据回答业务问题的统计建模者可信的结论与决策建议
数据分析师Data Analyst把数据翻译成业务语言的守门人报表、指标与洞察
大模型工程师LLM Engineer2022 年后增长最快的新岗位基于大模型的产品能力
深度学习研究员DL Researcher发明新方法的科学家角色论文、专利、新算法
NLP 工程师NLP Engineer处理自然语言的建模者文本理解与生成系统
CV 工程师CV Engineer让机器看懂图像的建模者检测/识别/生成系统
推荐算法工程师Recommender Engineer排序与分发优化的建模者更高转化的推荐系统

薪资数字怎么读（请务必先看这一条）

本节薪资为撰写时（dataAsOf: 2026-08）基于招聘平台公开信息、levels.fyi 等第三方统计的粗粒度综合区间，只做选方向时的量级参考，不构成精确报价。「国内一线城市」指北京、上海、深圳、杭州等地的全职年薪（人民币，覆盖常见水平）；「海外」以美国科技公司为主（美元）。同岗位薪资因学历、经验、公司、面试表现可相差数倍；超过一个季度请当趋势参考，精确数字以实际 offer 和最新统计为准。

1. 算法工程师 —— 国内招聘的第一大关键词 ​

「算法工程师」是国内特有的岗位名，覆盖面极宽，常是应届生与转行者的第一站。职责上它是"建模到上线"的全能角色：读需求 → 定义问题 → 特征工程 → 训练 → 评估 → 上线 → 监控迭代。多数公司的算法工程师偏业务建模，树模型与深度模型都会用到，近年大模型能力（Prompt、RAG）开始频繁出现在 JD 里。

  • 核心技能：Python 与深度学习框架（PyTorch 为主流）、机器学习基础（监督/无监督/评估）、数据结构与算法（笔试用）、特征工程、业务理解。
  • 典型薪资：国内一线城市约 30–70 万/年（大厂核心部门更高，小厂与外包明显更低）；海外近似角色是 ML Engineer 或 Applied Scientist，约 15–25 万美元/年。
  • 与本站对应：知识底座是本站核心知识章与案例章；求职备战直接对照JD 清单，用能力地图生成补课清单。

2. 机器学习工程师 —— 模型的上游，工程的下游 ​

ML 工程师与算法工程师常被混用，但成熟团队里分工不同：算法工程师偏"做出更准的模型"，ML 工程师偏"让模型稳定可靠地在线上跑"。职责包括特征管道、训练任务调度、模型服务、监控告警、A/B 实验平台，以及越来越重的 MLOps（数据版本、模型版本、CI/CD、漂移检测）。

  • 核心技能：Python、SQL、数据工程（Spark、Flink 等按团队而定）、MLOps 工具链、容器与云服务、分布式训练、系统工程思维。
  • 典型薪资：国内一线城市约 35–60 万/年；海外约 15–25 万美元/年（美国大厂 MLE 是薪资增长最快的方向之一）。
  • 与本站对应：建模部分看核心知识章，工程实践是实践章的底色；面试侧重点在"全链路能不能讲清楚"，自测用面试题解析。

3. 数据科学家 —— 用数据回答"怎么办" ​

数据科学家的核心不是建模本身，而是用数据做决策：定义问题、设计指标、跑实验（A/B）、用统计推断和建模回答业务问题，再把结论讲给业务方听。相比算法工程师，它更靠近业务与因果，统计学和沟通能力的权重明显更高。

  • 核心技能：统计学与假设检验、实验设计、SQL、Python/R、机器学习建模、因果推断、数据可视化与商业沟通。
  • 典型薪资：国内一线城市约 25–50 万/年；海外约 13–22 万美元/年。
  • 与本站对应：统计与模型概念见核心知识章，术语口径统一用术语表；这个岗位的"人岗匹配"与算法岗差异大，投递前务必读简历分析，确认你写的是数据科学故事还是算法故事。

4. 数据分析师 —— 数据到业务的翻译官 ​

数据分析师最容易入门、也最容易被低估：取数、清洗、报表、指标口径、归因分析、可视化，少数团队还负责埋点设计与实验支持。它几乎不写模型，但对业务理解和 SQL 的要求可能是所有岗位里最硬的。

  • 核心技能：SQL（硬门槛）、Excel/BI 工具（Tableau、Power BI 等）、Python（pandas、可视化）、统计学基础、业务指标与漏斗思维。
  • 典型薪资：国内一线城市约 15–35 万/年；海外约 8–15 万美元/年。
  • 与本站对应：本站不专门教数据分析工具，但此岗常是转机器学习的跳板，概念与术语用术语表即可；转岗路径的取舍见本页第四节。

5. 大模型工程师 —— 2022 年后最快的增量 ​

大模型工程师是 2022 年底 ChatGPT 之后才规模化的新岗位，核心是把通用大模型（GPT、Claude、开源模型如 Qwen、Llama 等）接进产品：Prompt 工程、检索增强生成（RAG）、Agent/工作流、微调（LoRA 等）、评测集构建、成本与延迟优化。它不要求你从零训练大模型，但要求你知道模型能力边界、并会用工程手段组合它。

  • 核心技能：Python、LLM API 与开源模型部署、RAG 与向量检索、评估体系（最易出彩也最易被忽略的部分）、Agent 框架、产品化与工程能力。
  • 典型薪资：国内一线城市约 40–100 万/年（资深与稀缺人才溢价高）；海外约 18–30 万美元/年。
  • 与本站对应：地基仍是你已有的机器学习与深度学习底子；"大模型应用"在能力地图里可查到与本站页面的映射关系。

6. 深度学习研究员 —— 离论文最近的角色 ​

研究员的目标是产出新方法：复现论文、提出改进、跑大规模实验、发表论文或专利，多见于大厂研究院、自动驾驶/多模态实验室与顶尖创业公司。对数学与文献阅读的要求是九类里最高的，对工程与业务的要求最低。

  • 核心技能：深度学习原理与最新论文、扎实的数学（线性代数、概率论、优化）、实验设计与消融分析、PyTorch/JAX、英文文献阅读与写作。
  • 典型薪资：国内一线城市约 40–90 万/年；海外约 15–28 万美元/年。
  • 与本站对应：本站论文章与深度学习相关内容是入门地基；但研究员岗的招聘门槛（顶会论文、竞赛名次）远高于任何文章能覆盖的范围，目标此方向请以JD 清单中的硬条件为准。

7. NLP 工程师 —— 语言智能的建造者 ​

NLP 工程师做文本理解与生成：文本分类、命名实体识别、语义搜索、机器翻译、对话系统，以及占比越来越高的大模型应用。这个岗位的特别之处在于与大模型工程师高度重叠——近两年很多 NLP 岗就是"经典 NLP + LLM"的混合体。

  • 核心技能：Python、经典 NLP（分词、词向量、序列标注）、Transformer 原理、LLM 应用、数据与评测；中文场景还要理解分词与语料特点。
  • 典型薪资：国内一线城市约 30–60 万/年；海外约 15–25 万美元/年。
  • 与本站对应：深度学习与 Transformer 概念是地基，术语口径见术语表。

8. CV 工程师 —— 让机器看见世界 ​

CV 工程师做图像/视频的感知与生成：目标检测、图像分割、人脸识别、视频理解、图像生成。技术栈集中且迭代快（CNN → Transformer → 多模态），常用开源框架（MMDetection、Ultralytics 等）成熟，入门门槛在九类中相对友好。

  • 核心技能：Python、深度学习框架、CNN/Transformer 原理、检测/分割/跟踪范式、多模态与生成模型、数据标注与评测。
  • 典型薪资：国内一线城市约 30–60 万/年；海外约 15–25 万美元/年。
  • 与本站对应：图像类建模的机制讲解在案例章，概念底子用术语表快速补齐。

9. 推荐算法工程师 —— 离业务结果最近的建模岗 ​

推荐算法工程师做排序与分发：召回、粗排、精排、重排、特征工程、在线学习、A/B 实验。它的独特性在于效果直接以业务指标结算（点击率、转化率、时长），因此沟通、实验与工程能力比一般建模岗更重。

  • 核心技能：Python、CTR 预估模型演进（LR → GBDT → DNN → Transformer 要讲得出）、Embedding 与双塔、特征工程、实验与因果思维、大数据处理。
  • 典型薪资：国内一线城市约 35–70 万/年；海外约 16–26 万美元/年。
  • 与本站对应：监督学习与评估是根基，实验设计的严谨性可对照面试题解析中"如何证明你带来的提升是真的"这类问题。

三、岗位技能雷达图：建模 · 工程 · 业务 · 数学 ​

把九类岗位放进四个维度的坐标系，一眼就能看出它们的性格差异。四个维度定义为：

            建模（模型选型 / 调参 / 效果优化）
                      ▲
                     /|\
                     │
      数学 ──────────┼────────── 工程
 （统计 / 线代 /      │         （代码质量 / 上线 /
  概率 / 推导）       │          MLOps / 管道）
                     │
                    \|/
            业务（指标 / 沟通 / 实验 / 商业感）

各维权重用 1–5 表示（1 = 基本不需要，5 = 岗位核心能力）：

岗位建模工程业务数学岗位性格
算法工程师4423全能型
机器学习工程师3522工程师型
数据科学家3244业务+统计型
数据分析师1243业务型
大模型工程师3432工程+产品型
深度学习研究员5214科学家型
NLP 工程师4323建模型
CV 工程师4323建模型
推荐算法工程师4333业务+建模型

用这张表怎么选

不要只盯"哪行数字最大"，要看哪一列你能接受长期深耕：建模强的人耐得住调参的枯燥，工程强的人享受系统稳定跑起来的踏实，业务强的人需要站在业务方视角获得成就感，数学强的人享受推导的确定性。把"我更愿意长期做哪类工作"排在"哪个岗位更热门"前面。

四、你该选哪个方向：决策清单 ​

没有标准答案，但有标准问题。按下面三组清单逐项自问，勾出的答案会收敛到一两个岗位。

1. 按背景：你现在站在哪？ ​

  • [ ] 计算机/软件背景，写代码多年，想转机器学习 → 优先 机器学习工程师 / 算法工程师
  • [ ] 数学/统计/物理背景，推导不怵但工程少 → 优先 数据科学家 / 深度学习研究员
  • [ ] 业务/商科/运营背景，SQL 熟练 → 优先 数据分析师，再按兴趣向数据科学家过渡
  • [ ] 应届无行业经验，想在最短时间拿到面试 → 算法工程师 是国内 JD 数量最多、最通用的入口
  • [ ] 已在做传统软件，想蹭上大模型浪潮 → 大模型工程师（已有工程经验是明显加分项）

2. 按兴趣：你享受哪种"完成感"？ ​

  • [ ] "模型指标又涨了 0.3%" → 建模倾向，算法 / NLP / CV / 推荐均可
  • [ ] "这套管道稳定跑了三个月没告警" → 工程倾向，机器学习工程师
  • [ ] "我帮业务方把问题定义清楚了" → 业务倾向，数据科学家 / 数据分析师
  • [ ] "我把一篇论文从复现到改进做完了" → 研究倾向，深度学习研究员
  • [ ] "我用现成大模型组装出一个新功能" → 产品 + 技术倾向，大模型工程师

3. 按趋势：你愿意为确定性付出多少？ ​

机器学习岗位的市场结构正在变化，几个值得纳入决策的事实（截至 dataAsOf: 2026-08）：

  • 纯"调参型"通用算法岗位减少，"工程 + 大模型应用"复合型需求上升，国内外 JD 中出现大模型关键词的比例快速攀升；
  • 数据科学/分析岗对业务与因果的要求持续抬升，纯工具型分析正在被 BI 工具压缩；
  • 研究员岗门槛水涨船高，顶会论文逐渐从加分项变成硬条件；
  • 推荐 / CV / NLP 等垂直方向没有消失，但都在叠加多模态与大模型能力。

把三组结果合起来看：三个指向同一个方向就果断选它；方向打架时，用「背景兜底、兴趣定远、趋势加权」排优先级——背景决定你能不能进门，兴趣决定你能走多远，趋势只决定门口挤不挤。

别把"岗位名"当身份

同一个名字在不同公司做的事可能完全不同：A 厂的"算法工程师"可能天天写 SQL，B 厂的"数据科学家"可能天天调模型。读 JD 永远比读岗位名重要——这就是为什么本模块的第一页是JD 清单，而不是"岗位百科"。

五、本模块内容地图：四页各干什么 ​

career 模块共四篇正文，对应求职流程的四个动作：

页面一句话定位什么时候用
JD 清单汇总国内外大厂在招岗位的真实 JD，拆解高频要求与门槛求职第一天：先知道市场要什么
能力地图把 JD 技能词映射到本站页面，生成个人补课清单摸清市场后：定位自己的差距
简历分析面试官视角的简历审查标准，含项目经历改写示例准备投递时：把经历变成证据
面试题解析高频考点问答 + 答题框架，配合自测面试前一周：最后自测

使用顺序是主线，不是选项

求职冲刺线已经把四页排成了两周主线：JD 清单 → 能力地图 → 简历分析 → 面试题解析，上一页的产出是下一页的输入。跳着读会损失大半价值。

六、两点提醒 ​

1. 先看 dataAsOf，再信数字 ​

本模块涉及的岗位、薪资、JD 要求、技术关键词都有时效：机器学习领域半衰期很短，一个岗位的 JD 一年内可能重写两遍，薪资区间随行情波动。因此本模块所有含时效的页面都在 frontmatter 标注了 dataAsOf（数据截止月份），页面顶部也会显示。引用其中的具体数字之前，先看一眼那个日期：

  • 距今一个季度内 → 可以当作当前参考；
  • 超过一个季度 → 当作"趋势参考"，并以官方来源复核；
  • 概念性内容（偏差方差、过拟合）衰减很慢，不受此约束。

2. 岗位描述 vs 实际工作：两个版本的世界 ​

JD 是"希望你是的样子"，日常工作则是"实际需要你的样子"，两者存在系统性落差：

  • JD 写"精通深度学习"，实际可能是大量数据清洗与特征调试——模型调参只占工作的一小部分；
  • JD 写"优化准确率"，实际考核的是业务指标——涨 2 个点 AUC 但转化没变，一样过不了评审；
  • JD 写"独立负责"，实际是庞大系统里的一环——面试时把"我负责的部分"讲清楚，远比吹"我负责整个系统"可信；
  • JD 写"大模型经验优先"，实际团队自己也还没定型——诚实讨论你对这种不确定性的理解，本身是加分项。

应对方法只有一个：面试前对目标团队做信息侦查（面经、在职者访谈、产品体验），把 JD 当作假设、用调研去验证。面试题解析里有一类"反问面试官"的问题清单，正是干这个用的。

七、延伸阅读 ​

站内继续读

参考资料（真实来源，供复核薪资与趋势）