机器学习（包括大数据、数据挖掘等等）岗位的竞争力是啥
首先，机器学习最重要的是数据，而不是算法。没有足够的高质量的数据，什么样的算法都没用。如果有数据质量好数量够，怎样的模型都能出不错的结果。
第二，深度学习跟传统的算法的区别，主要是深度学习的模型把feature engineering的过程内嵌在里头了。其实在很多项目里头，如果data scientist很有经验，对领域也非常了解，能够非常有效地整理和清理数据，并做出很好的features，那么哪怕用很简单的线性模型也能得到比deep learning更好的结果。而且这类简单的模型的结果还很好理解。比如，你建了一个模型来判断是不是批准一个贷款。很多情况下，并不是给个批不批的结果就行的。如果不批，还得理解模型是怎么做出这个判断的。如果没有这一步，一来没法判断和检测模型的正确性，二来也没办法提供好的客户体验。
第三，有很多人在做算法研发。但是真正有效的新算法是非常少的。在工业界中，大家大多时候都是用现有的算法甚至是现成的软件包。现在很多包都很好用，往往一行代码就能用起来。但是，一个好的数据科学家不是调个包就行的。他需要能够对各种算法有比较深层次的了解，知道它们的优缺点，知道各种算法什么时候用，该怎么用。而且对所处领域有非常熟悉，知道怎么去定义问题，搜集数据，处理数据，建立模型，和把模型产品化。最好还能够根据自己所面对的问题customize算法。做好这些东西，需要很好的编程能力，理论功底和行业经验。
■网友
首先，在公司中，针对具体的业务场景，用什么样的模型合(哪怕是一个简单的模型）适，如何对模型进行调参，如何让你的模型对于不同的数据都有一个较好的泛化能力。这些都是需要经过大量调试和工程经验积累的，我们看起来轻描淡写，但是背后的工作是无法忽略的。
另外，在我们公司，需要不断的对新技术进行预言，有可能目前这项技术还不适合工程化，但是要保持技术的先进性。另外，其实目前很多最新的技术模型，都已经在产品中有体现了。
在大公司，会接触到更多的数据，跟复杂真实的业务场景，知道你最应该解决的问题。
其实，在预言的时候，你如果能够提出新的方法，并适合产品化，是最好的。
【机器学习（包括大数据、数据挖掘等等）岗位的竞争力是啥】
■网友
现在广告ctr预估模型已经不简单了，rnn，cnn各种模型都在用了，提升很明显。而且数据量大的情况下模型工程实现也很复杂的。你那个百度前辈可能只是跟你吹一下牛而已。总之模型从理论到实际运用鸿沟还是很大的。
推荐阅读
- 现在在线学习视频有很多了，为啥大部分人还是喜欢下载下来观看
- 婴儿|美国儿科学会： 1岁以下婴儿不推荐学习游泳
- 电话营销机器人哪个比较好用
- 在美国大学学习computer science 是啥样的体验
- 请问有哪些机器人大赛是比较权威的
- 作为软件工程大二的学生，学习一般，编程一般，毕业后能干些啥
- 计算机深度学习方面sci三区期刊推荐
- 零基础入门学习啥语言好
- 被人围攻是怎么样一种体验，包括但不限于（蛋糕，口舌，拳脚，西瓜刀，机枪，code review）
- 有哪些好的学习英文的视频网站