如何才能成为一名合格的机器学习算法工程师呢？

这是一个探索了许久的问题，期间整了一些牛人的材料，希望可以有助于知识梳理。
身为跨行菜鸟，也迫切的感谢各位资深老鸟们可以给予一些建议。

以下是若干必要不充分条件：

数据处理的编程语言

1. Python（必要）
2. R（可选）
3. SQL（必要）
4. Shell（必要）

机器学习算法的基本理论和实践

1. 有监督
   回归：单变量线性回归、多变量线性回归
   分类：k近邻、逻辑回归、贝叶斯、SVM、神经网络、决策树
   分类集成算法：随机森林、AdaBoost、GBDT、xgboost、lightGBM

2. 无监督
   聚类：k均值、dbscan
   异常检测：基于高斯分布的异常检测
   推荐系统：UserCF、ItemCF、LabelCF、ContextCF、NetworkCF
   关联算法：Aprior、FP-growth
   文本分析算法：TF-IDF、LDA、pLDA
   降维：PCA、SVD、因子分析

3. 半监督
   标签传播（基于网络算法）

4. 模型评估
   方差（various）、偏差（bias）、过拟合、欠拟合、学习曲线、交叉验证、ROC与AUC、PR曲线、查全率（Recall）、查准率（Precision）、Sensitivity、Specificity、F-score等

5. 其他
   梯度下降、正则化、

6. 进阶
   强化学习、深度学习

特征工程

1. 特征生成和变换
   缺失值、离群值、归一化、
   特征平滑或离散
   特征编码：one-hot编码

2. 特征重要性评估
   回归模型、基于树的模型、通过随机或删除特征来评估

3. 数据集切分
   训练集、交叉验证集、测试集
   基于时序数据的切分

4. 具体业务理解
   用户特征、商家特征、商品特征、用户行为特征等

概率论与数理统计

推荐浙江大学徐小湛的‘概率论与数理统计’教学视频

数据结构与算法

相关学习资料

分布式计算框架

Hadoop：Hive SQL
Spark：各种API

学习资料推荐

吴恩达机器学习视频教程
台大林轩田的机器学习基石视频教程
小甲鱼的零基础入门学习Python视频教程
小象学院的Python实践代码
《机器学习实战》
《机器学习实践应用》
《推荐系统实践》
《利用Python进行数据分析》
《python机器学习及实践--kaggle竞赛之路》
《Python学习手册》（第4版）

最重要一点：参与实践！

阿里天池、Kaggele

看到这里，还想学咩？……