演算法還原與開發數據科學

⑴ 什麼是演算法與數據結構

演算法（Algorithm）是一系列解決問題的清晰指令，也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。
演算法可以理解為有基本運算及規定的運算順序所構成的完整的解題步驟。或者看成按照要求設計好的有限的確切的計算序列，並且這樣的步驟和序列可以解決一類問題。
一個演算法應該具有以下五個重要的特徵：
1、有窮性： 一個演算法必須保證執行有限步之後結束；
2、確切性： 演算法的每一步驟必須有確切的定義；
3、輸入：一個演算法有0個或多個輸入，以刻畫運算對象的初始情況，所謂0個輸入是指演算法本身定除了初始條件；
4、輸出：一個演算法有一個或多個輸出，以反映對輸入數據加工後的結果。沒有輸出的演算法是毫無意義的；
5、可行性： 演算法原則上能夠精確地運行，而且人們用筆和紙做有限次運算後即可完成。
計算機科學家尼克勞斯-沃思曾著過一本著名的書《數據結構十演算法= 程序》，可見演算法在計算機科學界與計算機應用界的地位。

數據結構是計算機存儲、組織數據的方式。數據結構是指相互之間存在一種或多種特定關系的數據元素的集合。通常情況下，精心選擇的數據結構可以帶來更高的運行或者存儲效率。數據結構往往同高效的檢索演算法和索引技術有關。
一般認為，一個數據結構是由數據元素依據某種邏輯聯系組織起來的。對數據元素間邏輯關系的描述稱為數據的邏輯結構；數據必須在計算機內存儲，數據的存儲結構是數據結構的實現形式，是其在計算機內的表示；此外討論一個數據結構必須同時討論在該類數據上執行的運算才有意義。
在許多類型的程序的設計中，數據結構的選擇是一個基本的設計考慮因素。許多大型系統的構造經驗表明，系統實現的困難程度和系統構造的質量都嚴重的依賴於是否選擇了最優的數據結構。許多時候，確定了數據結構後，演算法就容易得到了。有些時候事情也會反過來，我們根據特定演算法來選擇數據結構與之適應。不論哪種情況，選擇合適的數據結構都是非常重要的。
選擇了數據結構，演算法也隨之確定，是數據而不是演算法是系統構造的關鍵因素。這種洞見導致了許多種軟體設計方法和程序設計語言的出現，面向對象的程序設計語言就是其中之一。
在計算機科學中，數據結構是一門研究非數值計算的程序設計問題中計算機的操作對象（數據元素）以及它們之間的關系和運算等的學科，而且確保經過這些運算後所得到的新結構仍然是原來的結構類型。
「數據結構」作為一門獨立的課程在國外是從1968年才開始設立的。 1968年美國唐·歐·克努特教授開創了數據結構的最初體系，他所著的《計算機程序設計技巧》第一卷《基本演算法》是第一本較系統地闡述數據的邏輯結構和存儲結構及其操作的著作。「數據結構」在計算機科學中是一門綜合性的專業基礎課。數據結構是介於數學、計算機硬體和計算機軟體三者之間的一門核心課程。數據結構這一門課的內容不僅是一般程序設計（特別是非數值性程序設計）的基礎，而且是設計和實現編譯程序、操作系統、資料庫系統及其他系統程序的重要基礎。
計算機是一門研究用計算機進行信息表示和處理的科學。這裡面涉及到兩個問題：
信息的表示
信息的處理
而信息的表示和組又直接關繫到處理信息的程序的效率。隨著計算機的普及，信息量的增加，信息范圍的拓寬，使許多系統程序和應用程序的規模很大，結構又相當復雜。因此，為了編寫出一個「好」的程序，必須分析待處理的對象的特徵及各對象之間存在的關系，這就是數據結構這門課所要研究的問題。眾所周知，計算機的程序是對信息進行加工處理。在大多數情況下，這些信息並不是沒有組織，信息（數據）之間往往具有重要的結構關系，這就是數據結構的內容。數據的結構，直接影響演算法的選擇和效率。
計算機解決一個具體問題時，大致需要經過下列幾個步驟：首先要從具體問題中抽象出一個適當的數學模型，然後設計一個解此數學模型的演算法（Algorithm），最後編出程序、進行測試、調整直至得到最終解答。尋求數學模型的實質是分析問題，從中提取操作的對象，並找出這些操作對象之間含有的關系，然後用數學的語言加以描述。計算機演算法與數據的結構密切相關，演算法無不依附於具體的數據結構，數據結構直接關繫到演算法的選擇和效率。運算是由計算機來完成，這就要設計相應的插入、刪除和修改的演算法 。也就是說，數據結構還需要給出每種結構類型所定義的各種運算的演算法。
數據是對客觀事物的符號表示，在計算機科學中是指所有能輸入到計算機中並由計算機程序處理的符號的總稱。
數據元素是數據的基本單位，在計算機程序中通常作為一個整體考慮。一個數據元素由若干個數據項組成。數據項是數據的不可分割的最小單位。有兩類數據元素：一類是不可分割的原子型數據元素，如：整數"5"，字元 "N" 等；另一類是由多個款項構成的數據元素，其中每個款項被稱為一個數據項。例如描述一個學生的信息的數據元素可由下列6個數據項組成。其中的出身日期又可以由三個數據項："年"、"月"和"日"組成，則稱"出身日期"為組合項，而其它不可分割的數據項為原子項。
關鍵字指的是能識別一個或多個數據元素的數據項。若能起唯一識別作用，則稱之為 "主" 關鍵字，否則稱之為 "次" 關鍵字。
數據對象是性質相同的數據元素的集合，是數據的一個子集。數據對象可以是有限的，也可以是無限的。
數據處理是指對數據進行查找、插入、刪除、合並、排序、統計以及簡單計算等的操作過程。在早期，計算機主要用於科學和工程計算，進入八十年代以後，計算機主要用於數據處理。據有關統計資料表明，現在計算機用於數據處理的時間比例達到80%以上，隨著時間的推移和計算機應用的進一步普及，計算機用於數據處理的時間比例必將進一步增大。
數據結構是指同一數據元素類中各數據元素之間存在的關系。數據結構分別為邏輯結構、存儲結構（物理結構）和數據的運算。數據的邏輯結構是對數據之間關系的描述，有時就把邏輯結構簡稱為數據結構。邏輯結構形式地定義為（K，R）（或（D，S）），其中，K是數據元素的有限集，R是K上的關系的有限集。
數據元素相互之間的關系稱為結構。有四類基本結構：集合、線性結構、樹形結構、圖狀結構（網狀結構）。樹形結構和圖形結構全稱為非線性結構。集合結構中的數據元素除了同屬於一種類型外，別無其它關系。線性結構中元素之間存在一對一關系，樹形結構中元素之間存在一對多關系，圖形結構中元素之間存在多對多關系。在圖形結構中每個結點的前驅結點數和後續結點數可以任意多個。
數據結構在計算機中的表示（映像）稱為數據的物理（存儲）結構。它包括數據元素的表示和關系的表示。數據元素之間的關系有兩種不同的表示方法：順序映象和非順序映象，並由此得到兩種不同的存儲結構：順序存儲結構和鏈式存儲結構。順序存儲方法：它是把邏輯上相鄰的結點存儲在物理位置相鄰的存儲單元里，結點間的邏輯關系由存儲單元的鄰接關系來體現，由此得到的存儲表示稱為順序存儲結構。順序存儲結構是一種最基本的存儲表示方法，通常藉助於程序設計語言中的數組來實現。鏈接存儲方法：它不要求邏輯上相鄰的結點在物理位置上亦相鄰，結點間的邏輯關系是由附加的指針欄位表示的。由此得到的存儲表示稱為鏈式存儲結構，鏈式存儲結構通常藉助於程序設計語言中的指針類型來實現。索引存儲方法：除建立存儲結點信息外，還建立附加的索引表來標識結點的地址。散列存儲方法：就是根據結點的關鍵字直接計算出該結點的存儲地址。
數據結構中，邏輯上（邏輯結構：數據元素之間的邏輯關系）可以把數據結構分成線性結構和非線性結構。線性結構的順序存儲結構是一種隨機存取的存儲結構，線性表的鏈式存儲結構是一種順序存取的存儲結構。線性表若採用鏈式存儲表示時所有結點之間的存儲單元地址可連續可不連續。邏輯結構與數據元素本身的形式、內容、相對位置、所含結點個數都無關。
演算法的設計取決於數據（邏輯）結構，而演算法的實現依賴於採用的存儲結構。數據的運算是在數據的邏輯結構上定義的操作演算法，如檢索、插入、刪除、更新的排序等。

⑵ 數據科學與大數據技術專業是個什麼東西

「數據科學與大數據技術」專業是近兩年才設立的新專業。「數據科學與大數據技術」專業有著很好的就業前景並且就業的寬度廣，就業薪資待遇水平高，缺點可能在於專業設立較新，教學課程設置上可能無法跟上大數據人才培養的技能需求。
「數據科學與大數據技術」專業的人才培養方向
分析類崗位
分析類工程師。使用統計模型、數據挖掘、機器學習及其他方法，進行數據清洗、數據分析、構建行業數據分析模型，為客戶提供有價值的信息，滿足客戶需求。
演算法工程師。大數據方向，和專業工程師一起從系統應用的角度,利用數據挖掘/統計學習的理論和方法解決實際問題；人工智慧方向，根據人工智慧產品需求完成技術方案設計及演算法設計和核心模塊開發，組織解決項目開發過程中的重大技術問題。
研發類崗位
架構工程師。負責Hadoop集群架構設計開發、搭建、管理、運維、調優，從數據採集到數據加工，從數據清洗到數據抽取，從數據統計到數據分析，實現大數據全產業線上的應用分析設計。
開發工程師。基於hadoop、spark等構建數據分析平台，進行設計、開發分布式計算業務，負責機器學習、深度學習領域的開發工作。
運維工程師。負責大數據基礎平台的運維,保障平台的穩定可用，參與設計大數據自動化運維、監控、故障處理工具。
管理類崗位
產品經理。負責大數據平台產品的設計工作，主導數據產品的功能規劃、體驗設計，與研發、數據分析、演算法團隊緊密合作，挖掘數據價值，形成數據產品，包括部分數據可視化的產品設計等。
運營經理。根據業務特點，結合業務發展需求，設立數據監控模型,搭建數據分析架構，理解業務方向和戰略，為業務戰略決策、業務方向提供決策支持，競爭分析及建議。

「數據科學與大數據技術」專業的就業前景
人才需求方面，騰訊研究院於2017年12月發布了《2017年全球人工智慧人才白皮書》，數據顯示，中國592家公司中約有4萬位員工，而中國對於人工智慧人才的需求數量已經突破百萬，人才嚴重短缺，迫使企業不斷降低工作經驗門檻，甚至不惜從零培養人才。人工智慧人才掌握的技能寬度和深度均在逐漸提高。2017年求職的人工智慧人才中，有68%的人掌握至少3種技能，簡歷中最常出現的技能包括spark、深度學習、演算法研究、Hadoop，Python等。而人工智慧工程師的招聘主要集中在演算法與開發兩個大類, 本科學歷及以上人才目前是人工智慧領域的主力軍，同時，就業人群在快速年輕化。

在薪資待遇方面，可參考IT行業類的專業，2016屆本科應屆畢業生就業薪資最高的10個專業中軟體工程、計算機科學與技術、電子信息工程穩進前十，薪資待遇分布在7K到9K之間，IT行業的薪資待遇非常高。人工智慧以及大數據技術的崗位人才需求逐步上升，未來可能會發展為就業前景最好的專業之一。

⑶ 從學科定位看,數據科學處於哪些學科的重疊之處

摘要 您好，從知識體系看，數據科學主要以統計學、機器學習、數據可視化以及（某一）領域知識為理論基礎，其主要研究內容包括數據科學基礎理論、數據加工、數據計算、數據管理、數據分析和數據產品開發

⑷ 信息安全,數據科學與大數據技術 哪個專業更好

兩個專業都很好，主要看哪一個更適合你。

這兩個專業都屬於前景很好的專業，面對這種情況，建議了解這兩個專業主要學習什麼及就業方向是什麼再來進行選擇。

信息安全專業的就業方向主要是去畢業生可在政府機關、國家安全部門、銀行、金融、證券、通信等領域從事各類信息安全系統、計算機安全系統的研究、設計、開發和管理工作，也可在IT領域從事計算機應用工作。

數據科學與大數據技術相對於信息安全來說，此專業屬於比較新的一種專業，還有許多未知的技術正在探索中，前途一片光明。數據科學與大數據技術的就業方向主要是大數據技術、大數據研究、數據管理、數據挖掘、演算法工程、應用開發。

可以根據自己的需求和興趣還有未來職業規劃進行選擇。每個專業存在都有它的道理，有些專業是為企業而生，有些則是國家發展需要，大數據和信安這兩個專業本質上都是計算機類，看你感興趣的方向，選擇即可。

信息安全專業需要掌握的知識面：

1、掌握從事專業工作所需的數學（特別是離散數學）、自然科學知識，以及經濟學與管理學知識。

2、系統掌握專業基礎理論知識和專業知識，經歷系統的專業實踐，理解計算學科的基本概念、知識結構、典型方法，建立數字化、演算法、模塊化與層次化等核心專業意識。

3、掌握計算學科的基本思維方法和研究方法，具有良好的科學素養和強烈的工程意識或研究探索意識，並具備綜合運用所掌握的知識、方法和技術解決復雜的實際問題及對結果進行分析的能力。

4、具有終身學習意識，能夠運用現代信息技術獲取相關信息和新技術、新知識，持續提高自己的能力。

5、了解計算學科的發展現狀和趨勢，具有創新意識，並具有技術創新和產品創新的初步能力。

6、了解與專業相關的職業和行業的重要法律、法規及方針與政策，理解工程技術與信息技術應用相關的倫理基本要求，在系統設計過程中能夠綜合考慮經濟、環境、法律、安全、健康、倫理等制約因素。

7、具有組織管理能力、表達能力、獨立工作能力、人際交往能力和團隊合作能力。

⑸ 如何看待數據科學與大數據技術專業

在薪資待遇方面，可參考IT行業類的專業，2016屆本科應屆畢業生就業薪資最高的10個專業中軟體工程、計算機科學與技術、電子信息工程穩進前十，薪資待遇分布在7K到9K之間，IT行業的薪資待遇非常高。人工智慧以及大數據技術的崗位人才需求逐步上升，未來可能會發展為就業前景最好的專業之一。

⑹ 搞演算法好還是搞開發好，演算法就是純數學

數學是一門工具性很強的科學，它與別的科學比較起來還具有較高的抽象性等特徵。起初是計算機科學工作者離不開數學，而數學工作者認為計算機對他們可有可無，但是現在是互相都離不開對方了，計算機也提高了數學工作者在人們心目中的地位，大部分的數學工作者開始認識到計算機的重要性，並越來越多地進入到計算機領域發揮作用。但是隨著人工智慧、GPS（全球定位系統）等飛速的發展和計算機運算性能飛躍性的提升，計算機的優勢越來越深入到思維領域，於是計算機將高深的數學理論用到實際中來，十分有效地解決了許多實際問題，例如著名難題四色問題就是被計算機證明的。問題的求解過程中有許多具有實用價值的數學分支如分析幾何、小波分析、離散數學、仿生計算、數值計算中的有限單元方法等。它讓人們知道計算機程序設計結合的就是數學知識和數學思想。
編程是基於數學模型的基礎上面的，所以，數學是計算機科學的主要基礎，以離散數學為代表的應用數學是描述學科理論、方法和技術的主要工具。編程中不僅許多理論是用數學描述的，而且許多技術也是用數學描述的。從計算機各種應用的程序設計方面考察，任何一個可在存儲程序式電子數字計算機上運行的程序，其對應的計算方法首先都必須是構造性的，數據表示必須離散化，計算操作必須使用邏輯或代數的方法進行，這些都應體現在演算法和程序之中。此外，到現在為止，演算法的正確性、程序的語義及其正確性的理論基礎仍然是數理邏輯，或進一步的模型論。真正的程序語義是模型論意義上的語義。於是編程思想運行的嚴密性、學科理論方法與實現技術的高度一致是計算機科學與技術學科同數學學科密切相關的根本原因。從學科特點和學科方法論的角度考察，編程的主要基礎思想是數學思維，特別是數學中以代數、邏輯為代表的離散數學，而程序技術和電子技術僅僅只是計算機科學與技術學科產品或實現的一種技術表現形式。
（一）數學在計算機領域的發展
如今形形色色的，都與數學有必然的聯系，它們相互相成。例如，邏輯學在學科中的應用從早期的數理邏輯發展到今天的程序設計模型論；數學在學科中的應用從早期的抽象代數發展到今天的圖形學、工程問題方面；幾何學的應用從早期的二維平面計算機繪圖發展到今天的三維動畫系統，並在與復分析的結合中產生了分形理論與技術；在游戲、圖形開發中引用了線性代數中大量的坐標變換，矩陣運算；在數據壓縮與還原、信息安全方面引入了小波理論、代數編碼理論等。
（二）編程的思維定式
編程的思維定式決定了一個人編程的水平，在編程過程中，數學思維清晰，編寫出來的程序讓人耳目一新。結合教學，通過調查分析，了解到超過85%的學生，他們在編程時是根據語法而編寫程序，完全脫離了編程的思維，這種思維定式使得他們編寫的程序相當糟糕，沒有一點邏輯。
之所以造成這種編程的思維，是因為他們平時對數學思維的培養不夠重視。很多學計算機的學生想：學高數，這有什麼用？學線性代數有什麼用？學離散數學，有什麼用？於是他們很少去上這些課，馬馬虎虎，整天悶在寢室里，玩玩游戲，裝裝，看看C語言。只知道概率問題和矩陣知識在其它課程上起到了互補作用，學的不是很深。但是當他們看到<<數據結構和演算法>>時，感到其中的內容對他們而言感覺相當的艱澀難懂，這時他們就隱約感覺到了數學思維的作用了。在此之前，他們不僅荒廢了大學的高等數學,連初中的初等數學也忘的好多，當他們進行高抽象思維時，確實感覺自己的思維已經很遲鈍了。學計算機的學生之所以覺得《數據結構》這門課程很難，就是因為他們的數學思維鍛煉的不夠！其實生活中有很多這樣的例子：對於一個剛畢業的，編應用的大學生，在編程中用到《線性代數》的矩陣時，恐怕便會想,在大學把線性代數學好就好了；當在程序中用到動態鏈表、樹時，恐怕也會想「在大學時花點時間去學《數據結構》，會多麼的有意義」；當學數據結構時，恐怕也會想「學《離散數學》時為什麼要逃那麼多的課，要不然學離散的時候就會很輕松」。所以數學思維不夠，在編程會有很多的疑慮，顯的有點縮手縮尾，而且寫的程序也不夠健全，缺乏邏輯。
（三）編程與數學思維的融合
很多專業人士覺得數學和編程能力就像太極和拳擊,編程能力很強就好比出拳速度很快很重,能直接給人以重擊；數學很好的話就好像一個太極高手,表面上看沒有太大的力量但是內在的能量是更強大的，但是好的拳擊手是越年輕越好,而太極大師都是資歷越深越厲害。所以數學是成就大師的必備能力，雖然很多學生看上去感覺沒有什麼用途,但是到了一定的水平之後就會體會它的力量了。

⑺ 數據科學的處理流程

數據科學的處理流程
數據科學家知道把不同的理論和工具有機地結合在一起並最終形成特定的流程，進而依據這個流程完成數據分析工作。
數據科學的整個流程包括這些環節：
數據准備
數據探索
數據表示
數據發現
數據學習
創造數據產品
洞見與結論
結果可視化
數據准備
數據准備雖耗時和無趣，但是至關重要，因為它決定了數據的質量。若是數據的質量得不到保證，後續所有的數據工作都會收到影響。
數據准備包括數據讀入和數據清洗。
數據探索
數據探索用來查看數據內容，從數字化和可視化入手，幫助我們找出數據集中的潛在信息並且確定數據分析的大致方向。
數據表示
數據表示是指選擇合適數據結構存儲數據。這樣做有兩個作用：
完成從原始數據到數據集的轉化
為後續數據分析提供最優的內存消耗
數據發現
數據發現是提出假設，完成驗證，從數據集中發現特定的規律和模式的步驟。
數據發現使用不同的統計方法來檢驗數據之間關聯的顯著性，通過分析同一數據集中的不同變數或者不同數據集中的交叉信息來得到確信可靠的信息。
數據學習
數據學習主要使用統計方法和機器學習演算法來分析數據集。
無論一個工具有多麼全能和有效，永遠是使用這些分析工具的數據科學家自身的能力使它們發揮作用，才能最終得到有用的結果。
更好地了解這些工具，可以幫助科學家們更理智地選擇學習方法與工具，從而得到更好的結果。
創造數據產品
數據產品是一個由數據和演算法組合而成的產品。
——著名數據科學家Hilary Mason
一個數據產品是一個公司開發出來，可以用於銷售給其他客戶從而賺取回報的東西，這個東西幾乎可以涉及方方面面。
數據產品為什麼有價值？
因為數據產品給客戶提供了非常有用的信息。
如今的數據產品通過高速數據處理，使用最新的演算法以及並行計算等方式來獲得之前人類無法獲得的信息。
一個數據科學家需要挑選出結果中最有價值的相關數據（數據選擇），然後把它包裝成為最終的用戶可以看明白的形式。
一個數據產品其實就好像是一個人人都能隨身帶在身邊的數據分析專家，如果你需要信息的話，可以付很少量的錢來購買一些信息。
如何創造數據產品？
你需要知道你最終的客戶是誰？他們的需求是什麼？
選擇正確的數據和演算法
選擇合適的數據分析工具
有用信息（洞見）的呈現。（想像力很重要）
洞見與結論
洞見和結論是讓分析結果能盡量地被更多的人理解，並且能適用於更多的情況。
結果可視化
結果可視化就是讓更多的觀看者明白其中信息的意義。
數據探索可視化和結果可視化有很大不同，前者並不知道將會發現什麼，因此需要不斷嘗試；後者對數據處理的目的和數據分析的結論有了深入理解和解讀。
結果可視化，讓數據講故事。

⑻ 數據科學,數據挖掘,數據工程和大數據之間有什麼關系

三者的關系如下：

數據挖掘和數據科學基本上是一回事。數據挖掘是30年前的說法，現在叫法高大上些。以前數據挖掘主要是基於統計學的理論和演算法。這幾年理論上，大量用數學和物理的理論和演算法逐步引入，比如流型，熱力熵啊。總的來說這兩個是一回事。

數據工程，是具體把數據科學理論去解決實際問題。如同理論核物理和核工程專業的區別。實際項目中，要解決數據的清洗，抽取，轉換。既要懂理論又要會編程。但是大部分時間可能是做數據清洗，轉換的相對低端的工作。演算法都是工業界現成的，只是調參數。

數據科學，這個概念應該是最大的，跟數據相關的，都可以算在數據科學的范疇裡面，最早開始興起的時候，也是從國外開始。而國內的話，通常有數據科學與大數據技術的說法，數據科學是一門學科，而大數據技術，就是研究數據科學需要用到的相關技術手段。

數據挖掘，簡單點來說，就是從海量的數據當中去提取價值線索，挖掘做什麼，就是通過各種手段對數據進行計算分析處理，然後得出有價值的線索，這些價值線索，是可以用來反哺業務的，進行價值變現的。

其他方面：

數據工程，其實就跟「軟體工程」一個道理，軟體工程開發軟體，數據工程就是開發進行數據處理的系統平台，在開發當中肯定就需要涉及到大數據技術。

大數據，從字面上來說，就是大規模的結構化的非結構化混合的數據，數據量級至少也要在TB、PB的單位，才能稱得上「大」。而面對規模大、格式有負責的數據，傳統的軟體和工具很難快速處理，因此就需要大數據技術去提供解決方案。

⑼ 演算法和開發崗相比，哪個前景更好呢

這兩個崗位的工作內容我都接觸過，目前我帶的大數據團隊中既有演算法工程師也有開發工程師，所以我說一說這兩個崗位的區別，以及未來的發展方向。

演算法設計與演算法實現
通常涉及到演算法的崗位有兩個，分別是演算法設計和演算法實現，現在有不少團隊把這兩個崗位進行合並，做演算法設計的同時也要負責實現。但是也有一些團隊是分開的，做演算法設計的不管實現過程。
演算法崗位門檻是很高的，人才也是稀缺的，總體發展空間很好。還有一點演算法崗位的不可替代性強，如果有機會去演算法崗建議是去的，一般學歷要求在碩士，Java本科大專都是可以的哈。從工作的復雜性上來說，演算法工程師的工作強度還是比較大的，但是演算法工程師的職業周期也比較長。
演算法崗主要是在於如何量化我們的產出，寫代碼做開發非常簡單。你完成了一個任務或者是項目，有了經驗之後，這是在簡歷上實打實的東西。很多演算法工程師最終成長為企業的首席科學家，或者是首席技術官等崗位，可以說演算法工程師的發展前景還是非常不錯的。
開發崗位
軟體團隊的大部分崗位都是開發崗位，有前端開發、後端開發、移動端開發等，可以說大部分程序員做的都是開發崗的工作。
與演算法崗位不同的是，開發崗位人數多，佔比大，而且大部分開發崗位的職業周期都比較短，一般開發崗位在做到一定年齡(比如35歲)之後都會轉型。一部分會轉向項目經理等管理崗位，一部分會轉型做架構師，還有一部分轉型為行業咨詢專家等，當然，也有一部分開發人員轉型為演算法工程師。
一個優秀的開發者不是網上說的那樣吃青春煩的，每一個崗位都會有自己的未來職業發展。開始確實是青春飯，因為大多數人不懂如何提升自己在公司當中的潛在價值，或者不知道如何更加聰明的完成任務。
其實兩個崗位沒有什麼可比性。聊聊這兩個崗位的突出項，開發門檻不很高的，演算法就相對高一些，因為涉及大數據人工智慧等等。現在做演算法的話，5年左右基本會成為專家，給別人講，因為大多數的人是不太懂演算法的，所以會覺得你很牛。收入上來說，演算法的收入是高於開發的。創業的話，大白話就是演算法其實是更容易給別人講故事的，而且相對產品來說，演算法是更容易形成產品的。