算法还原与开发数据科学

⑴ 什么是算法与数据结构

算法（Algorithm）是一系列解决问题的清晰指令，也就是说，能够对一定规范的输入，在有限时间内获得所要求的输出。如果一个算法有缺陷，或不适合于某个问题，执行这个算法将不会解决这个问题。不同的算法可能用不同的时间、空间或效率来完成同样的任务。一个算法的优劣可以用空间复杂度与时间复杂度来衡量。
算法可以理解为有基本运算及规定的运算顺序所构成的完整的解题步骤。或者看成按照要求设计好的有限的确切的计算序列，并且这样的步骤和序列可以解决一类问题。
一个算法应该具有以下五个重要的特征：
1、有穷性： 一个算法必须保证执行有限步之后结束；
2、确切性： 算法的每一步骤必须有确切的定义；
3、输入：一个算法有0个或多个输入，以刻画运算对象的初始情况，所谓0个输入是指算法本身定除了初始条件；
4、输出：一个算法有一个或多个输出，以反映对输入数据加工后的结果。没有输出的算法是毫无意义的；
5、可行性： 算法原则上能够精确地运行，而且人们用笔和纸做有限次运算后即可完成。
计算机科学家尼克劳斯-沃思曾着过一本着名的书《数据结构十算法= 程序》，可见算法在计算机科学界与计算机应用界的地位。

数据结构是计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。通常情况下，精心选择的数据结构可以带来更高的运行或者存储效率。数据结构往往同高效的检索算法和索引技术有关。
一般认为，一个数据结构是由数据元素依据某种逻辑联系组织起来的。对数据元素间逻辑关系的描述称为数据的逻辑结构；数据必须在计算机内存储，数据的存储结构是数据结构的实现形式，是其在计算机内的表示；此外讨论一个数据结构必须同时讨论在该类数据上执行的运算才有意义。
在许多类型的程序的设计中，数据结构的选择是一个基本的设计考虑因素。许多大型系统的构造经验表明，系统实现的困难程度和系统构造的质量都严重的依赖于是否选择了最优的数据结构。许多时候，确定了数据结构后，算法就容易得到了。有些时候事情也会反过来，我们根据特定算法来选择数据结构与之适应。不论哪种情况，选择合适的数据结构都是非常重要的。
选择了数据结构，算法也随之确定，是数据而不是算法是系统构造的关键因素。这种洞见导致了许多种软件设计方法和程序设计语言的出现，面向对象的程序设计语言就是其中之一。
在计算机科学中，数据结构是一门研究非数值计算的程序设计问题中计算机的操作对象（数据元素）以及它们之间的关系和运算等的学科，而且确保经过这些运算后所得到的新结构仍然是原来的结构类型。
“数据结构”作为一门独立的课程在国外是从1968年才开始设立的。 1968年美国唐·欧·克努特教授开创了数据结构的最初体系，他所着的《计算机程序设计技巧》第一卷《基本算法》是第一本较系统地阐述数据的逻辑结构和存储结构及其操作的着作。“数据结构”在计算机科学中是一门综合性的专业基础课。数据结构是介于数学、计算机硬件和计算机软件三者之间的一门核心课程。数据结构这一门课的内容不仅是一般程序设计（特别是非数值性程序设计）的基础，而且是设计和实现编译程序、操作系统、数据库系统及其他系统程序的重要基础。
计算机是一门研究用计算机进行信息表示和处理的科学。这里面涉及到两个问题：
信息的表示
信息的处理
而信息的表示和组又直接关系到处理信息的程序的效率。随着计算机的普及，信息量的增加，信息范围的拓宽，使许多系统程序和应用程序的规模很大，结构又相当复杂。因此，为了编写出一个“好”的程序，必须分析待处理的对象的特征及各对象之间存在的关系，这就是数据结构这门课所要研究的问题。众所周知，计算机的程序是对信息进行加工处理。在大多数情况下，这些信息并不是没有组织，信息（数据）之间往往具有重要的结构关系，这就是数据结构的内容。数据的结构，直接影响算法的选择和效率。
计算机解决一个具体问题时，大致需要经过下列几个步骤：首先要从具体问题中抽象出一个适当的数学模型，然后设计一个解此数学模型的算法（Algorithm），最后编出程序、进行测试、调整直至得到最终解答。寻求数学模型的实质是分析问题，从中提取操作的对象，并找出这些操作对象之间含有的关系，然后用数学的语言加以描述。计算机算法与数据的结构密切相关，算法无不依附于具体的数据结构，数据结构直接关系到算法的选择和效率。运算是由计算机来完成，这就要设计相应的插入、删除和修改的算法 。也就是说，数据结构还需要给出每种结构类型所定义的各种运算的算法。
数据是对客观事物的符号表示，在计算机科学中是指所有能输入到计算机中并由计算机程序处理的符号的总称。
数据元素是数据的基本单位，在计算机程序中通常作为一个整体考虑。一个数据元素由若干个数据项组成。数据项是数据的不可分割的最小单位。有两类数据元素：一类是不可分割的原子型数据元素，如：整数"5"，字符 "N" 等；另一类是由多个款项构成的数据元素，其中每个款项被称为一个数据项。例如描述一个学生的信息的数据元素可由下列6个数据项组成。其中的出身日期又可以由三个数据项："年"、"月"和"日"组成，则称"出身日期"为组合项，而其它不可分割的数据项为原子项。
关键字指的是能识别一个或多个数据元素的数据项。若能起唯一识别作用，则称之为 "主" 关键字，否则称之为 "次" 关键字。
数据对象是性质相同的数据元素的集合，是数据的一个子集。数据对象可以是有限的，也可以是无限的。
数据处理是指对数据进行查找、插入、删除、合并、排序、统计以及简单计算等的操作过程。在早期，计算机主要用于科学和工程计算，进入八十年代以后，计算机主要用于数据处理。据有关统计资料表明，现在计算机用于数据处理的时间比例达到80%以上，随着时间的推移和计算机应用的进一步普及，计算机用于数据处理的时间比例必将进一步增大。
数据结构是指同一数据元素类中各数据元素之间存在的关系。数据结构分别为逻辑结构、存储结构（物理结构）和数据的运算。数据的逻辑结构是对数据之间关系的描述，有时就把逻辑结构简称为数据结构。逻辑结构形式地定义为（K，R）（或（D，S）），其中，K是数据元素的有限集，R是K上的关系的有限集。
数据元素相互之间的关系称为结构。有四类基本结构：集合、线性结构、树形结构、图状结构（网状结构）。树形结构和图形结构全称为非线性结构。集合结构中的数据元素除了同属于一种类型外，别无其它关系。线性结构中元素之间存在一对一关系，树形结构中元素之间存在一对多关系，图形结构中元素之间存在多对多关系。在图形结构中每个结点的前驱结点数和后续结点数可以任意多个。
数据结构在计算机中的表示（映像）称为数据的物理（存储）结构。它包括数据元素的表示和关系的表示。数据元素之间的关系有两种不同的表示方法：顺序映象和非顺序映象，并由此得到两种不同的存储结构：顺序存储结构和链式存储结构。顺序存储方法：它是把逻辑上相邻的结点存储在物理位置相邻的存储单元里，结点间的逻辑关系由存储单元的邻接关系来体现，由此得到的存储表示称为顺序存储结构。顺序存储结构是一种最基本的存储表示方法，通常借助于程序设计语言中的数组来实现。链接存储方法：它不要求逻辑上相邻的结点在物理位置上亦相邻，结点间的逻辑关系是由附加的指针字段表示的。由此得到的存储表示称为链式存储结构，链式存储结构通常借助于程序设计语言中的指针类型来实现。索引存储方法：除建立存储结点信息外，还建立附加的索引表来标识结点的地址。散列存储方法：就是根据结点的关键字直接计算出该结点的存储地址。
数据结构中，逻辑上（逻辑结构：数据元素之间的逻辑关系）可以把数据结构分成线性结构和非线性结构。线性结构的顺序存储结构是一种随机存取的存储结构，线性表的链式存储结构是一种顺序存取的存储结构。线性表若采用链式存储表示时所有结点之间的存储单元地址可连续可不连续。逻辑结构与数据元素本身的形式、内容、相对位置、所含结点个数都无关。
算法的设计取决于数据（逻辑）结构，而算法的实现依赖于采用的存储结构。数据的运算是在数据的逻辑结构上定义的操作算法，如检索、插入、删除、更新的排序等。

⑵ 数据科学与大数据技术专业是个什么东西

“数据科学与大数据技术”专业是近两年才设立的新专业。“数据科学与大数据技术”专业有着很好的就业前景并且就业的宽度广，就业薪资待遇水平高，缺点可能在于专业设立较新，教学课程设置上可能无法跟上大数据人才培养的技能需求。
“数据科学与大数据技术”专业的人才培养方向
分析类岗位
分析类工程师。使用统计模型、数据挖掘、机器学习及其他方法，进行数据清洗、数据分析、构建行业数据分析模型，为客户提供有价值的信息，满足客户需求。
算法工程师。大数据方向，和专业工程师一起从系统应用的角度,利用数据挖掘/统计学习的理论和方法解决实际问题；人工智能方向，根据人工智能产品需求完成技术方案设计及算法设计和核心模块开发，组织解决项目开发过程中的重大技术问题。
研发类岗位
架构工程师。负责Hadoop集群架构设计开发、搭建、管理、运维、调优，从数据采集到数据加工，从数据清洗到数据抽取，从数据统计到数据分析，实现大数据全产业线上的应用分析设计。
开发工程师。基于hadoop、spark等构建数据分析平台，进行设计、开发分布式计算业务，负责机器学习、深度学习领域的开发工作。
运维工程师。负责大数据基础平台的运维,保障平台的稳定可用，参与设计大数据自动化运维、监控、故障处理工具。
管理类岗位
产品经理。负责大数据平台产品的设计工作，主导数据产品的功能规划、体验设计，与研发、数据分析、算法团队紧密合作，挖掘数据价值，形成数据产品，包括部分数据可视化的产品设计等。
运营经理。根据业务特点，结合业务发展需求，设立数据监控模型,搭建数据分析架构，理解业务方向和战略，为业务战略决策、业务方向提供决策支持，竞争分析及建议。

“数据科学与大数据技术”专业的就业前景
人才需求方面，腾讯研究院于2017年12月发布了《2017年全球人工智能人才白皮书》，数据显示，中国592家公司中约有4万位员工，而中国对于人工智能人才的需求数量已经突破百万，人才严重短缺，迫使企业不断降低工作经验门槛，甚至不惜从零培养人才。人工智能人才掌握的技能宽度和深度均在逐渐提高。2017年求职的人工智能人才中，有68%的人掌握至少3种技能，简历中最常出现的技能包括spark、深度学习、算法研究、Hadoop，Python等。而人工智能工程师的招聘主要集中在算法与开发两个大类, 本科学历及以上人才目前是人工智能领域的主力军，同时，就业人群在快速年轻化。

在薪资待遇方面，可参考IT行业类的专业，2016届本科应届毕业生就业薪资最高的10个专业中软件工程、计算机科学与技术、电子信息工程稳进前十，薪资待遇分布在7K到9K之间，IT行业的薪资待遇非常高。人工智能以及大数据技术的岗位人才需求逐步上升，未来可能会发展为就业前景最好的专业之一。

⑶ 从学科定位看,数据科学处于哪些学科的重叠之处

摘要 您好，从知识体系看，数据科学主要以统计学、机器学习、数据可视化以及（某一）领域知识为理论基础，其主要研究内容包括数据科学基础理论、数据加工、数据计算、数据管理、数据分析和数据产品开发

⑷ 信息安全,数据科学与大数据技术 哪个专业更好

两个专业都很好，主要看哪一个更适合你。

这两个专业都属于前景很好的专业，面对这种情况，建议了解这两个专业主要学习什么及就业方向是什么再来进行选择。

信息安全专业的就业方向主要是去毕业生可在政府机关、国家安全部门、银行、金融、证券、通信等领域从事各类信息安全系统、计算机安全系统的研究、设计、开发和管理工作，也可在IT领域从事计算机应用工作。

数据科学与大数据技术相对于信息安全来说，此专业属于比较新的一种专业，还有许多未知的技术正在探索中，前途一片光明。数据科学与大数据技术的就业方向主要是大数据技术、大数据研究、数据管理、数据挖掘、算法工程、应用开发。

可以根据自己的需求和兴趣还有未来职业规划进行选择。每个专业存在都有它的道理，有些专业是为企业而生，有些则是国家发展需要，大数据和信安这两个专业本质上都是计算机类，看你感兴趣的方向，选择即可。

信息安全专业需要掌握的知识面：

1、掌握从事专业工作所需的数学（特别是离散数学）、自然科学知识，以及经济学与管理学知识。

2、系统掌握专业基础理论知识和专业知识，经历系统的专业实践，理解计算学科的基本概念、知识结构、典型方法，建立数字化、算法、模块化与层次化等核心专业意识。

3、掌握计算学科的基本思维方法和研究方法，具有良好的科学素养和强烈的工程意识或研究探索意识，并具备综合运用所掌握的知识、方法和技术解决复杂的实际问题及对结果进行分析的能力。

4、具有终身学习意识，能够运用现代信息技术获取相关信息和新技术、新知识，持续提高自己的能力。

5、了解计算学科的发展现状和趋势，具有创新意识，并具有技术创新和产品创新的初步能力。

6、了解与专业相关的职业和行业的重要法律、法规及方针与政策，理解工程技术与信息技术应用相关的伦理基本要求，在系统设计过程中能够综合考虑经济、环境、法律、安全、健康、伦理等制约因素。

7、具有组织管理能力、表达能力、独立工作能力、人际交往能力和团队合作能力。

⑸ 如何看待数据科学与大数据技术专业

在薪资待遇方面，可参考IT行业类的专业，2016届本科应届毕业生就业薪资最高的10个专业中软件工程、计算机科学与技术、电子信息工程稳进前十，薪资待遇分布在7K到9K之间，IT行业的薪资待遇非常高。人工智能以及大数据技术的岗位人才需求逐步上升，未来可能会发展为就业前景最好的专业之一。

⑹ 搞算法好还是搞开发好，算法就是纯数学

数学是一门工具性很强的科学，它与别的科学比较起来还具有较高的抽象性等特征。起初是计算机科学工作者离不开数学，而数学工作者认为计算机对他们可有可无，但是现在是互相都离不开对方了，计算机也提高了数学工作者在人们心目中的地位，大部分的数学工作者开始认识到计算机的重要性，并越来越多地进入到计算机领域发挥作用。但是随着人工智能、GPS（全球定位系统）等飞速的发展和计算机运算性能飞跃性的提升，计算机的优势越来越深入到思维领域，于是计算机将高深的数学理论用到实际中来，十分有效地解决了许多实际问题，例如着名难题四色问题就是被计算机证明的。问题的求解过程中有许多具有实用价值的数学分支如分析几何、小波分析、离散数学、仿生计算、数值计算中的有限单元方法等。它让人们知道计算机程序设计结合的就是数学知识和数学思想。
编程是基于数学模型的基础上面的，所以，数学是计算机科学的主要基础，以离散数学为代表的应用数学是描述学科理论、方法和技术的主要工具。编程中不仅许多理论是用数学描述的，而且许多技术也是用数学描述的。从计算机各种应用的程序设计方面考察，任何一个可在存储程序式电子数字计算机上运行的程序，其对应的计算方法首先都必须是构造性的，数据表示必须离散化，计算操作必须使用逻辑或代数的方法进行，这些都应体现在算法和程序之中。此外，到现在为止，算法的正确性、程序的语义及其正确性的理论基础仍然是数理逻辑，或进一步的模型论。真正的程序语义是模型论意义上的语义。于是编程思想运行的严密性、学科理论方法与实现技术的高度一致是计算机科学与技术学科同数学学科密切相关的根本原因。从学科特点和学科方法论的角度考察，编程的主要基础思想是数学思维，特别是数学中以代数、逻辑为代表的离散数学，而程序技术和电子技术仅仅只是计算机科学与技术学科产品或实现的一种技术表现形式。
（一）数学在计算机领域的发展
如今形形色色的，都与数学有必然的联系，它们相互相成。例如，逻辑学在学科中的应用从早期的数理逻辑发展到今天的程序设计模型论；数学在学科中的应用从早期的抽象代数发展到今天的图形学、工程问题方面；几何学的应用从早期的二维平面计算机绘图发展到今天的三维动画系统，并在与复分析的结合中产生了分形理论与技术；在游戏、图形开发中引用了线性代数中大量的坐标变换，矩阵运算；在数据压缩与还原、信息安全方面引入了小波理论、代数编码理论等。
（二）编程的思维定式
编程的思维定式决定了一个人编程的水平，在编程过程中，数学思维清晰，编写出来的程序让人耳目一新。结合教学，通过调查分析，了解到超过85%的学生，他们在编程时是根据语法而编写程序，完全脱离了编程的思维，这种思维定式使得他们编写的程序相当糟糕，没有一点逻辑。
之所以造成这种编程的思维，是因为他们平时对数学思维的培养不够重视。很多学计算机的学生想：学高数，这有什么用？学线性代数有什么用？学离散数学，有什么用？于是他们很少去上这些课，马马虎虎，整天闷在寝室里，玩玩游戏，装装，看看C语言。只知道概率问题和矩阵知识在其它课程上起到了互补作用，学的不是很深。但是当他们看到<<数据结构和算法>>时，感到其中的内容对他们而言感觉相当的艰涩难懂，这时他们就隐约感觉到了数学思维的作用了。在此之前，他们不仅荒废了大学的高等数学,连初中的初等数学也忘的好多，当他们进行高抽象思维时，确实感觉自己的思维已经很迟钝了。学计算机的学生之所以觉得《数据结构》这门课程很难，就是因为他们的数学思维锻炼的不够！其实生活中有很多这样的例子：对于一个刚毕业的，编应用的大学生，在编程中用到《线性代数》的矩阵时，恐怕便会想,在大学把线性代数学好就好了；当在程序中用到动态链表、树时，恐怕也会想“在大学时花点时间去学《数据结构》，会多么的有意义”；当学数据结构时，恐怕也会想“学《离散数学》时为什么要逃那么多的课，要不然学离散的时候就会很轻松”。所以数学思维不够，在编程会有很多的疑虑，显的有点缩手缩尾，而且写的程序也不够健全，缺乏逻辑。
（三）编程与数学思维的融合
很多专业人士觉得数学和编程能力就像太极和拳击,编程能力很强就好比出拳速度很快很重,能直接给人以重击；数学很好的话就好像一个太极高手,表面上看没有太大的力量但是内在的能量是更强大的，但是好的拳击手是越年轻越好,而太极大师都是资历越深越厉害。所以数学是成就大师的必备能力，虽然很多学生看上去感觉没有什么用途,但是到了一定的水平之后就会体会它的力量了。

⑺ 数据科学的处理流程

数据科学的处理流程
数据科学家知道把不同的理论和工具有机地结合在一起并最终形成特定的流程，进而依据这个流程完成数据分析工作。
数据科学的整个流程包括这些环节：
数据准备
数据探索
数据表示
数据发现
数据学习
创造数据产品
洞见与结论
结果可视化
数据准备
数据准备虽耗时和无趣，但是至关重要，因为它决定了数据的质量。若是数据的质量得不到保证，后续所有的数据工作都会收到影响。
数据准备包括数据读入和数据清洗。
数据探索
数据探索用来查看数据内容，从数字化和可视化入手，帮助我们找出数据集中的潜在信息并且确定数据分析的大致方向。
数据表示
数据表示是指选择合适数据结构存储数据。这样做有两个作用：
完成从原始数据到数据集的转化
为后续数据分析提供最优的内存消耗
数据发现
数据发现是提出假设，完成验证，从数据集中发现特定的规律和模式的步骤。
数据发现使用不同的统计方法来检验数据之间关联的显着性，通过分析同一数据集中的不同变量或者不同数据集中的交叉信息来得到确信可靠的信息。
数据学习
数据学习主要使用统计方法和机器学习算法来分析数据集。
无论一个工具有多么全能和有效，永远是使用这些分析工具的数据科学家自身的能力使它们发挥作用，才能最终得到有用的结果。
更好地了解这些工具，可以帮助科学家们更理智地选择学习方法与工具，从而得到更好的结果。
创造数据产品
数据产品是一个由数据和算法组合而成的产品。
——着名数据科学家Hilary Mason
一个数据产品是一个公司开发出来，可以用于销售给其他客户从而赚取回报的东西，这个东西几乎可以涉及方方面面。
数据产品为什么有价值？
因为数据产品给客户提供了非常有用的信息。
如今的数据产品通过高速数据处理，使用最新的算法以及并行计算等方式来获得之前人类无法获得的信息。
一个数据科学家需要挑选出结果中最有价值的相关数据（数据选择），然后把它包装成为最终的用户可以看明白的形式。
一个数据产品其实就好像是一个人人都能随身带在身边的数据分析专家，如果你需要信息的话，可以付很少量的钱来购买一些信息。
如何创造数据产品？
你需要知道你最终的客户是谁？他们的需求是什么？
选择正确的数据和算法
选择合适的数据分析工具
有用信息（洞见）的呈现。（想象力很重要）
洞见与结论
洞见和结论是让分析结果能尽量地被更多的人理解，并且能适用于更多的情况。
结果可视化
结果可视化就是让更多的观看者明白其中信息的意义。
数据探索可视化和结果可视化有很大不同，前者并不知道将会发现什么，因此需要不断尝试；后者对数据处理的目的和数据分析的结论有了深入理解和解读。
结果可视化，让数据讲故事。

⑻ 数据科学,数据挖掘,数据工程和大数据之间有什么关系

三者的关系如下：

数据挖掘和数据科学基本上是一回事。数据挖掘是30年前的说法，现在叫法高大上些。以前数据挖掘主要是基于统计学的理论和算法。这几年理论上，大量用数学和物理的理论和算法逐步引入，比如流型，热力熵啊。总的来说这两个是一回事。

数据工程，是具体把数据科学理论去解决实际问题。如同理论核物理和核工程专业的区别。实际项目中，要解决数据的清洗，抽取，转换。既要懂理论又要会编程。但是大部分时间可能是做数据清洗，转换的相对低端的工作。算法都是工业界现成的，只是调参数。

数据科学，这个概念应该是最大的，跟数据相关的，都可以算在数据科学的范畴里面，最早开始兴起的时候，也是从国外开始。而国内的话，通常有数据科学与大数据技术的说法，数据科学是一门学科，而大数据技术，就是研究数据科学需要用到的相关技术手段。

数据挖掘，简单点来说，就是从海量的数据当中去提取价值线索，挖掘做什么，就是通过各种手段对数据进行计算分析处理，然后得出有价值的线索，这些价值线索，是可以用来反哺业务的，进行价值变现的。

其他方面：

数据工程，其实就跟“软件工程”一个道理，软件工程开发软件，数据工程就是开发进行数据处理的系统平台，在开发当中肯定就需要涉及到大数据技术。

大数据，从字面上来说，就是大规模的结构化的非结构化混合的数据，数据量级至少也要在TB、PB的单位，才能称得上“大”。而面对规模大、格式有负责的数据，传统的软件和工具很难快速处理，因此就需要大数据技术去提供解决方案。

⑼ 算法和开发岗相比，哪个前景更好呢

这两个岗位的工作内容我都接触过，目前我带的大数据团队中既有算法工程师也有开发工程师，所以我说一说这两个岗位的区别，以及未来的发展方向。

算法设计与算法实现
通常涉及到算法的岗位有两个，分别是算法设计和算法实现，现在有不少团队把这两个岗位进行合并，做算法设计的同时也要负责实现。但是也有一些团队是分开的，做算法设计的不管实现过程。
算法岗位门槛是很高的，人才也是稀缺的，总体发展空间很好。还有一点算法岗位的不可替代性强，如果有机会去算法岗建议是去的，一般学历要求在硕士，Java本科大专都是可以的哈。从工作的复杂性上来说，算法工程师的工作强度还是比较大的，但是算法工程师的职业周期也比较长。
算法岗主要是在于如何量化我们的产出，写代码做开发非常简单。你完成了一个任务或者是项目，有了经验之后，这是在简历上实打实的东西。很多算法工程师最终成长为企业的首席科学家，或者是首席技术官等岗位，可以说算法工程师的发展前景还是非常不错的。
开发岗位
软件团队的大部分岗位都是开发岗位，有前端开发、后端开发、移动端开发等，可以说大部分程序员做的都是开发岗的工作。
与算法岗位不同的是，开发岗位人数多，占比大，而且大部分开发岗位的职业周期都比较短，一般开发岗位在做到一定年龄(比如35岁)之后都会转型。一部分会转向项目经理等管理岗位，一部分会转型做架构师，还有一部分转型为行业咨询专家等，当然，也有一部分开发人员转型为算法工程师。
一个优秀的开发者不是网上说的那样吃青春烦的，每一个岗位都会有自己的未来职业发展。开始确实是青春饭，因为大多数人不懂如何提升自己在公司当中的潜在价值，或者不知道如何更加聪明的完成任务。
其实两个岗位没有什么可比性。聊聊这两个岗位的突出项，开发门槛不很高的，算法就相对高一些，因为涉及大数据人工智能等等。现在做算法的话，5年左右基本会成为专家，给别人讲，因为大多数的人是不太懂算法的，所以会觉得你很牛。收入上来说，算法的收入是高于开发的。创业的话，大白话就是算法其实是更容易给别人讲故事的，而且相对产品来说，算法是更容易形成产品的。