研究生学习方向选机器学习还是分布式计算好，请从就业前景，薪酬方面说，好不好写论文？

机器学习是我的主要研究方向之一，同时也在带相关方向的研究生，所以我来回答一下这个问题。

首先，机器学习和分布式计算都是目前比较热门的方向，近几年相关方向研究生的就业情况也都有不错的表现，薪资待遇也比较可观。

机器学习（包括深度学习）是目前的热门方向，一方面机器学习是人工智能领域的六大研究方向之一，另一方面机器学习也是大数据分析的常见方式之一，所以机器学习未来的落地应用空间还是非常大的。

机器学习技术目前在技术体系上相对已经形成了一个较为扎实的基础，但是依然有大量的课题需要攻克，所以从这个角度来看，选择机器学习方向会更容易做出成果，相关论文也比较容易撰写。机器学习的核心在于算法设计、算法实现和算法验证，对于研究生的数学基础有较高的要求。

分布式计算是云计算和大数据的基础支撑技术之一，分布式存储和分布式计算也是大数据平台和云计算平台的核心技术组成，从这个角度来看，分布式计算还是非常重要的技术方向。相对于机器学习来说，分布式计算的技术体系要更为完善，相关的案例也比较多，所以在学习的过程中会更系统，但是要想做出自己的创新点，相对来说也有一定的难度，论文的撰写难度也相对要高一些。

分布式计算的就业渠道主要集中在大型科技企业，比如云计算服务商、大数据平台服务商就是比较常见的就业方向，从就业的薪资待遇来看，整体上与机器学习方向差别不大。未来，随着5G通信的落地应用，分布式计算与边缘计算的发展空间都会比较大。

我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

一个机器学习算法工程师，对数学的掌握程度应该是怎样的？

对于机器学习算法工程师而言，统计和线性代数毫无疑问是需要掌握的。

统计

比如评估机器学习算法的表现，用到的各种指标就源于统计学，包括准确率、召回、F1、AUROC等。

（AUROC曲线；图片来源：gerardnico.com）

再比如很多机器学习算法都假定数据符合某种分布（或至少接近某种分布），同样，这些分布的知识也属于统计学。

（混合高斯分布；图片来源：StackOverflow）

线性代数尤其是矩阵的各种变换，因为大量机器学习算法都是在和矩阵打交道。

（图片来源：apple.com）

比如，现在很火热的深度学习中最常用的卷积操作，就是矩阵的变换。

其他还有一些内容：

多变量微积分。比如，现在无比热门的神经网络，优化方法几乎全是基于梯度下降，而梯度下降，其实就是链式求导。不过，理工科应该都学过这方面的课程。

概率论。概率也是机器学习算法中频繁用到的。不过基础的概率知识在统计学中已经包括了，而比较深入的概率知识其实在机器学习算法设计的时候并不经常用到。

随着算法应用地位的商业提升，算法类职位逐渐细分为算法工程师、算法科学家、算法架构师，目前大部分算法集中在机器学习领域和运筹学算法，机器学习领域又以深度学习最为炙手，广泛运用在计算机视觉，自然语言处理，数据挖掘，搜索推荐方向中。对于机器学习工程师而言，首先要熟悉基本的数学知识如线性代数和数学分析，还要有较好的数理统计基础，从实践中讲，最优化方法和多元统计分析、随机过程使用率最广，另外还有信息论相关知识。算法科学家一般要求专业数学素养，这个且不言表，注意大学的高等数学和专业数学不可同日而语。工程师的角色在于理解运用解决具体实践问题，而不在于创新。