1樓：
因為現在的演算法工程師搞的深度學習相關的模型用不到傳統演算法的知識。
但是假如你去搞一下硬核的開發工作，比如後端開發，系統架構開發，去看看各種系統的原始碼，你會發現「傳統」演算法遍地都是。
2樓：
我倒覺得，是現在AI太熱了，等到什麼時候突然證明：AI所要求的算力非人力所能及的時候，演算法工程師就又會回到題主說的那種。
大浪陶盡，金子終會被留下。
3樓：
CLRS 中的演算法是實現更加高階的機器學習和深度學習乃至其他**學習的基礎要求。比方說，動態規劃其實就是強化學習的基礎。掌握了這點你能夠快速地上手強化學習。
當然從歷史上看，動態規劃是脫胎於強化學習的原初的研究的。這裡有個之前關於動態規劃的回答，
什麼是動態規劃？動態規劃的意義是什麼？
技能樹應該是為了招聘需要，結合當下的情況寫出來的。所以看起來是對這方面的需要比較迫切。目前很多公司真正需要員工寫的更多的是機器學習的演算法。
掌握CLRS 中演算法的思想最關鍵。因為在機器學習或者深度學習領域中的很多地方還是需要調整優化的。那這類調整很大成都上依賴於基礎的演算法。
你可以看到很多演算法改進創新都是有著基本演算法思想的影響的。比方說，加入優先順序經驗回放的 DQN。
總結一點，機器學習和深度學習是基礎演算法的應用領域。
4樓：mozillar
您對演算法工程師，尤其是機器學習演算法工程師有一些誤解。機器學習演算法工程師可不是只會研究機器學習演算法，然後讓程式設計師幫你實現就可以的。出了問題究竟是演算法本身有問題還是程式設計師的實現方式不恰當？
有些公司要求乙個人做研發和具體編碼。所以既然是工程師，演算法導論中的部分經典演算法也要熟練掌握的。現在公司招人可不是只會一點機器學習和深度學習就能糊弄過去的，程式設計和數學基礎同樣重要。
5樓：余佳晉
演算法導論中比較基礎的演算法，是所有工程師應該掌握的。而那些比較高階的演算法，例如V Advanced Da structure 還有VII中的大多章節，只會有很少的業務會接觸到。他們大多有特定應用的場合，在實際中有些有更利於工程實現維護的實現。
所以他們的普適性遠遠不如現在常見的」資料加模型，然後特徵工程」的機器學習演算法模式。
傳統的聰明、精緻、巧妙的演算法研究的時代已經過去了
6樓：李喆
傳統的演算法或者說CLRS中提到的演算法，至少是20年前的產物了，它們已經被研究了很久，相當成熟，改進的空間已經很小了。現在大多當中的演算法已經沉澱在作業系統的底層和語言的類庫中，在其上建立起來的應用程式都在不知不覺的呼叫著這些演算法。 然而AI/DM方面的演算法還遠沒達到成熟穩定，這個領域正是需要人們挖坑填坑的階段，百家爭鳴，隨之而來的就是領先競爭對手帶來的利潤。
所以在這個十年，這個方向的招牌比例肯定會大很多。這就像十年二十年或者更久之後，CLRS和AI/DM這些演算法都已經成熟穩定，變得底層化，類庫化，平台化甚至硬體化的時候，演算法工程師，可能就會是指那個年代，最需要填坑的方向，最有利可圖的方向了。
當然不是說傳統演算法不重要，沒有基礎是走不遠的。
大資料工程師和演算法工程師的區別是什麼？
合肥北大青鳥雲登校區 大資料探勘工程師需要了解整套資料流入的過程，包括資料的接入 預處理，然後需要知道怎麼用資料解決實際的業務問題，說白就是想辦法讓資料產生價值。他需要知道一整個資料到業務輸出的機制或者說是系統，可能涉及到複雜的演算法轉化，也可能只是簡單的規則轉化，或者多個模型的轉化組合輸出等等，他...
為什麼會演算法的後端工程師難招？
演算法和架構來回折騰的金融狗表示 14年一年的收入是之前幾年的平均收入，稅後收入73W，你這25萬三分之一的錢想招到乙個合格的演算法工程師 或者是你口中的程式猿？您真覺得我們是沒地兒去了麼？16年某金融機構辭職，很多企業給過offer，最低也沒少過4W 月的，某外資也給到過1.8w 周起步的薪金，你...
東京有較多的機器學習演算法工程師的崗位。有大佬可以談談日常工作體驗嗎？
瀉藥。從大學入坑計算機視覺快15年了。日常工作於某大手製造業研究部門鼓搗視覺。工作體驗，最首要的可能就是現在在第一線搞ai的，基本沒有學ai的，都是傳統機器學習 視覺 文字 聲音處理出身，傳統演算法知識比較紮實。而且因為身在製造業有很多終端環境根本無法支援nn，必須和傳統演算法結合，或者必須玩命壓縮...