AI 演算法崗工資一覽
年初，我從招聘網站上了解到，各網際網路大廠，演算法崗競爭相當激烈，供大於求。藉著金三銀四，跟大家科普幾個 AI 崗位，看著適合自己的趕緊去投簡歷啊！！
1. 人工智慧、機器學習領域究竟多火？
從各大公司紛紛建立自己的人工智慧研究院，以及高薪吸納人才的手段便可瞭解人工智慧、機器學習有多火。
阿里星計劃
年薪平均估計 60w+，本科生-博士生都有機會，CTO 直接面試，每年招 10 人，半年 base 美國的機會。
百度少帥計劃
IDL 部門（機器學習、深度學習），年薪 100w+，每年 9 人，30 歲以下，工作地北京、深圳，一年後矽谷或常青藤名校訪問至少半年，三年後帶領 20-30 人團隊。
騰訊技術大咖
要求，全球 TOP100 CS 相關碩士博士畢業，人工智慧相關，薪資上不封頂，深圳市還有“孔雀計劃”160w 的獎勵。
近兩年人工智慧火起來了之後，不管什麼技術的程式設計師都一股腦的想去做人工智慧，什麼計算機視覺，自然語言處理，想必大家經歷過 2018 這一年，也大概瞭解 AI 領域的前景及現狀環境，可以確定的是，薪資是真的高！
2. AI各崗位高薪上不封頂
網上流傳出的 AI 大廠薪酬表：
來源：新智元
從上圖中多次提到的關鍵詞 “演算法”、“人工智慧”、“視覺”字樣的職位，都需要懂機器學習 ，這幾個崗位的待遇也不同，AI research 組 > AI 應用組> 會改模型的 > AI 調包俠 > 普通工程師。
在產品和服務中應用機器學習模型，已經逐步成為了網際網路行業的通行方法。甚至很多傳統軟體企業，也開始嘗試應用機器學習。 說得更直接一點，人工智慧正處在炙手可熱的風口浪尖上，看來，程式設計師不會機器學習都不好意思去找工作了 。
3. 有哪些AI崗位
無數人湧入 AI 崗位，認準了待遇高、前途好。但在談待遇前，得先清楚人工智慧崗位都有啥。
AI research 組
AI 應用組 （研究，系統）
業務組 （演算法工程師）
AI research 做的都是最前沿的技術，能夠短時間內落地到產品的還是 AI 應用組，包含的大方向有自然語言處理、計算機視覺、機器學習平臺等。
很多技術開發者迫切希望快速進入人工智慧領域，從事工程或者演算法等相關工作， 但是， 遇到“人工智慧產品”時，你是否能夠根據自己的知識，推匯出 How it works ——
它背後有沒有用到機器學習模型？
如果有的話是有監督模型還是無監督模型？
是分類模型還是迴歸模型？
選取的特徵是哪些？
如果由你來解決這個問題，有沒有更好的方法？
借鑑機器學習認識客觀規律的過程，可以知道，模型是由資料和演算法決定的。 對應到人腦，資料是我們經歷過的事物，而演算法則是我們的思辨能力 。我們完全可以主動訓練自己的思維模型，通過改進演算法和增大資料量及資料多樣性來提升模型質量。
雖然技術本身和應用結果產生了巨大的飛躍，但在原理層面，卻是有著緊密的傳承。瞭解一件事是如何執行的；明晰事物發展的客觀規律；知道從最簡單的原理開始逐層推進， 比糾結在複雜的狀態卻不得要領要高效得多。有了這樣的認識，也就不會無端的焦慮 。
瞭解一點 AI 的技術基本原理後，至少不會盲從：
看了一篇《當這位70歲的 Hinton 老人還在努力推翻自己積累了30年的學術成果……》，便宣佈再也不學 CNN、DNN、RNN 了（好像真的學過一樣）。因為《深度學習已死，可微分程式設計萬歲！》刷屏，就以為目前在視覺、語音、NLP 這些領域已經在創造價值的 DL 工具瞬間消失無用了。
以上只是想說明，機器學習是為我們打開了一扇窗， 讓我們從新的角度來看待世界，併為日常決定的思考過程提供更加可量化方法 。
4. 提升自我是關鍵
與其眼紅這樣的高薪崗位，不如靜下來思考自己適不適合做機器學習，這並不是一個所有人都能從事的職業，有門檻且競爭激烈。 在一頭扎進 AI 之前，至少是一名優秀的軟體工程師。
如果你已經掌握了機器學習，那麼利用機器學習的技術來創新傳統業務也一樣有價值，機器學習可以應用在網際網路公司的很多方面，例如安全、運維、測試，或者金融公司裡面的投資、量化、期貨交易等。
就當前的市場環境來看，機器學習的應用不僅在計算機視覺、自然語言處理、語音、推薦系統等方向，未來還會形成 Machine Learning +、AI+，機器學習加上自身領域技術才是未來人工智慧從業者的核心競爭力。
掌握了就趕緊去應用搞事情，但是，如果你還沒掌握什麼是機器學習，現在開始學習也不晚！
為了幫助大家讓學習變得輕鬆、高效，給大家免費分享一大批資料，讓AI越來越普及。在這裡給大家推薦一個人工智慧Python學習交流群： 705673780 歡迎大家進群交流討論，學習交流，共同進步。
當真正開始學習的時候難免不知道從哪入手，導致效率低下影響繼續學習的信心。
但最重要的是不知道哪些技術需要重點掌握，學習時頻繁踩坑，最終浪費大量時間，所以擁有有效資源還是很有必要的。