谷歌工程师7级年薪多少？

一、谷歌工程师7级年薪多少？

60 万 8 千美元。

年薪随着级别的增加而增长，其增长速度甚至是指数级的。

例如，谷歌的 Level 7 工程师几乎是工程师里顶级的了，一年可以赚到 60 万 8 千美元。

Quora 前招聘经理 Osman Ahmed 表示：“公司之间有所差异，但大部分公司的级别都大同小异，差不多都可以分为 6 个级别”。每家公司的每个级别的岗位都有所差异，但同比都差不多。

二、年薪最低30万的算法工程师，要具备什么技能？

1、数学知识

贝叶斯、决策树、主成分分析、向量机、回归、卷积神经网络、距离函数等，理解绝大多数算法和理论，有微积分/高等数学，线性代数，概率论，最优化方法的知识就够了

2、编程能力

C、数据结构与算法、Python、R语言

3、机器学习的一些知识

机器学习中的基本概念，过拟合，生成模型，ROC曲线等

4、对问题的深度思考和构建解决方案

解决方案，更多的是整个数据流的构建能力，数据从日志-特征-模型训练-反馈形成解决方案

三、算法工程师的年薪大概多少？我应届毕业生？

一般来说算法工程师是比较不错的岗位，比普通的工程师薪资要高点。具体多少，你得看你应聘的公司是什么样的背景。三资还是民营。每家公司都不同。应届毕业生就业能有4000-9000不等，取决于你申请的公司和你自身的能力。

四、算法工程师的年薪大概多少?我应届毕业生？

算法工程师，硕士生应届毕业，能够拿到 30w ~ 60w；对于本科生而言，找个算法工程师的工作就已经不容易，大厂比较难，小厂容易一些。三年经验，根据认识的几位同事，正常表现，应该能够到 45w ~ 55 w 左右。

五、BIM工程师年薪多少？

分享下美国这边从事BIM的薪资范围，以

纽约

1. 在知名的设计咨询公司，例如AECOM, JACOBS, WSP之类的。

优势为环境优雅，工作轻松，项目一般都是大型项目。

职位名称大多为BIM Engineer或BIM Specialist，主要负责Design阶段的BIM事项，对软件技能要求广而高，会编程有加分，需要学习能力和求知欲强。

· Entry Level起薪大概在6~7万美元（大概是来没读研毕业后的水平）。

· 3年左右可以升值为Senior Level， 薪水在7.5~9万美元。

· 5年左右可以升值或跳槽到Manager Level，薪水在9.5~12万之间。

· 再往上的Director/VP级别需要看个人实力和机缘，薪水在15万上下。

2. 在知名的总包公司/投资方，例如Turner，DPR，Skanska之类的。

优势为可以获取BIM与实际施工双重经验，且多为大型项目，以后跳槽空间广阔。

职位名称大多为BIM Coordinator，主要负责施工前期的coordination，施工阶段的as-built model，以后各种通过模型的延伸内容。对沟通，解决问题和管理能力有较高要求。

· Entry Level起薪大概在6.5~7.5万，比设计咨询公司普遍高一些。（但GC方一般没有overtime）

· 3~5年就可以到manager level，薪水在9~13万。

· 再往上的Director/VP级别需要看个人实力和机缘，薪水在15万上5万下2万。

3. 在业内软件公司，比如Autodesk。

优势为待遇可以和IT公司媲美。

职位一般为和产品或服务挂钩的product support，solution specialist。

· Entry Level起薪一般都在10万+。

· 到product manager或senior级别可以达到15~20万

4. 在大型IT公司的设计或建造部门，如FLAG。

优势为可以享受和IT同仁所有的福利和待遇

职位一般也为BIM Coordinator或 BIM QA/QC 或 document control。

竞争力度很大，虽然title是coordinator，但一般都是其他公司manager级别的去应聘。

· 起薪一般都在15万以上，具体看个人经验。

5. 在startup或创业。

优势为BIM为建筑业蓝海项目，做得好钱途无量。

总体来说，因为BIM和IT挂点钩，算是建筑里面的前沿领域， 真正的人才稀缺且不好招（因为厉害的都转行做CS了），所以薪水普遍比传统职位高一些，又因为懂BIM的多为年轻人，所以上升速度很快，一般5年就可以到manager级别。

不过一直做BIM会路子比较窄，除非达到真正的管理层，否则不好跳到其他领域，所以BIM+DESIGN, BIM+CONSTRUCTION或BIM+CS这三条主要路径要选择好。

在美国建筑领域，薪水一旦超过15W，基本就和个人技术和方向没有太大关系了，主要靠管理，人脉和拉项目能力。

以上信息仅供参考。

六、腾讯原创有没有年薪百万的大神级作家？

有，而且有不少，仅据腾讯原创官方经作家本人同意公布的部分数据看，就有十多人了——肯定还有人不愿意公布自己的收入数据，这也不难理解。

七、算法工程师工资，算法工程师工资很高吗？

算法工程师各种待遇按工作时间，资历，等不同，差异很大，基本从4500元到15000元不等。

八、算法工程师原理？

算法工程师是处理数据的专业人士，他们研究并开发可用于计算机程序的算法。原理是基于数学和计算机科学的基础理论，结合各种技术来实现数据处理、模型构建和性能优化等任务。算法工程师的工作需要了解常用算法的原理，需要掌握数据结构、算法复杂度分析等知识，以及具备编程能力。算法工程师的工作职责是识别问题、设计解决方案，实现这些方案并优化算法的性能。算法的使用和优化是算法工程师的核心任务，他们需要保证算法的准确性、高效性以及可扩展性，以使计算机程序能够高效地进行数据处理和分析。

九、算法工程师简称？

答：算法工程师简称是cuda。

利用算法处理事物的人

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。算法工程师就是利用算法处理事物的人。

十、算法工程师评价？

我认为算法工程师的核心竞争力是对模型的理解，对于模型不仅知其然，还得知其所以然。

于是我把目标检测的经典论文翻来覆去地看，将各种目标检测模型分解成了N个模块，针对每个模块，反复比对各篇论文处理方式的异同，思考各种处理方式各自的优缺点，以及有没有更好的处理方式，比如：

深度卷积神经网络中的降采样总结了降采样的各种方式；

深度卷积神经网络中的升采样梳理了升采样的诸多方法；

关于物体检测的思考简述了anchor free与anchor based的异同、one stage和two stage的区别与联系；

深度学习高效网络结构设计和高效卷积神经网络一览总结了高效网络的设计思路与具体细节；

在anchor free检测器炙手可热的时候，Why anchor?分析了anchor free和anchor based的历史由来，以及各自利弊。

同时对目标检测实践中一些开放式的问题也有一些自己的思考，比如：

关于感受野的总结详述了感受野的计算方式和在应用时需要注意的地方；

目标检测网络train from scratch问题猜想了一下目标检测能够train from scratch的关键，在这篇文章里我质疑了DSOD和DropBlock这两篇论文对train from scratch问题下的结论（当时何恺明那篇讨论train from scratch的paper还没出来，从何恺明后来paper的实验看来，我的质疑是对的）。

上面是把模型揉碎了看，最近开始有更多时间与精力接触除了目标检测以外的任务，于是思考如何将各个计算机视觉任务统一起来，最近有了一点小的想法，该想法形成了一篇简短的文章。

第二阶段

这一阶段我认为算法工程师的核心竞争力在于代码功底好，一则知道各个模型的实现细节，二则能即快又好地实现idea。于是我用pytorch手撸了Yolov2和Yolov3。同时看了不少优秀的开源代码，比如darknet、mmdetection等等。最近正在用pytorch仿照mmdetection撸一个语意分割的训练框架。

第三阶段

最近开始接触各个行业对计算机视觉的需求，我发现一名优秀的算法工程师仅仅对模型理解不错、代码功底不错是不够的，还需要对有计算机视觉业务需求的行业有着较深入的理解。恰好最近看了一篇阿里云机器智能首席科学家闵万里的专访文章，专访里这几段话我深以为然：

在阿里云的时候，我就亲自打造了一个岗位：DTC：Data Technology Consultant。DT有两个含义，一个是数据技术Data Technology，一个是数字化转型Digital Transformation，一语双关。他们像大夫，望闻问切，跟客户一起梳理出业务流程中的痛点，找到优化方式。DTC不只是对行业整体的判断，还要对赛道中的选手体检，有开药的能力。可以把对方的难言之隐梳理出来，定量、优先级排序，然后从整体到细节，一层层结构化分解，最后进入具体执行。你要在传统行业创造新价值，就要搞清楚：什么东西制约了你的产能，制约了你的效率，制约了你的利润率。技术人员今天往产业走，我相信整体遇到的障碍就是如何把技术思维变成以业务需求为导向的技术思维、技术分解思维。

虽然闵万里这几段话里的主体是技术咨询师，但我觉得这也是成为一名优秀算法工程师的必备品质。

总结一段话就是：

算法工程师往产业里走，需要把技术思维转变为以业务需求为导向的技术思维、技术分解思维；

算法工程师需要像大夫一样望闻问切，跟客户一起梳理出业务流程中的痛点，找到优化方式；

算法工程师不仅需要有对行业整体的判断，还需要对客户有体检、开药的能力，可以把客户的难言之隐梳理出来，定量、优先级排序，然后整体到细节，一层层结构化分解，最后进入具体执行；

要在传统行业创造新价值就要搞清楚什么东西制约了产能、效率、利润率。

仅仅输出模型的算法工程师比较容易被替代，更高的追求是输出一整套端到端的系统方案，从与客户一起梳理业务痛点、硬件选型、模型部署环境的规划与搭建、数据采集和标注标准制定、模型选型与设计等等。