ACM/TOPCODER類程序設計能力對於想成為機器學習、數據挖掘類演算法工程師的學生來說的意義是什麼?
題主目前一方面在學習PRML類偏機器學習理論類的ML書籍、順路深化理解下用到的數學，一方面在學習《機器學習實戰》類偏實際應用的知識，也喜歡抽時間刷刷OJ，想更清晰的理解OJ、topcoder類的程序練習是在訓練哪方面的能力，對於想成為演算法工程師的CS本科生來說時間性價比是否划算，如果這麼做沒問題應該在刷題的過程中側重培養自己哪方面的能力？
題主目前大二，高中並沒有搞過信息競賽，目前打算今後從事將學術成果初級產品化的工種，應該叫演算法工程師吧，想知道相比於純學術或是純工程，考慮到工業界對這樣的角色的要求。我應該在OJ演算法題、ML理論基礎（包括數學擴展）、DM工程實踐中大概分配什麼樣的時間比？或者重要性、優先順序的關係？再進一層，DM項目的話，kaggle類比賽、跟學校老師做科研、名企實習的優先順序和性價比是什麼樣的呢？希望各位前輩給些學習建議。
我覺得各種online judge上的演算法題與機器學習、數據挖掘等可以算是計算機科學的不同領域。
Online judge上的演算法題強調的是基礎的演算法，如搜索、動態規則、圖論等等。刷演算法題有如下的好處：
1) 提高編碼實現的能力；2) 學會分析、比較各種演算法時空複雜度，提高對演算法複雜度的敏感性；3) 如果你參加OI、ACM等比賽，還可以鍛煉編碼的速度；
4) 由於公司面試往往以演算法題為主，所以在面試中可以獲得比較大的優勢。不過，online judge為了能夠進行標準化的測試，上面的演算法題往往會有如下的局限性：
1) 題目往往要求最優解，而不只是一個較好的可行解；2) 涉及的演算法大多都是確定性的，不會有隨機性成分；3) 程序能夠在很短的時間（通常是幾秒鐘）內運行完畢。
實際應用中的演算法，有很多都是不滿足上面的三個條件的。比如機器學習，它常常涉及大數據集，訓練過程跑個幾天甚至幾周都是常事；它的目標函數往往不是凸的，因此無法求最優解，只能求一個較優的可行解；很多訓練演算法有隨機成分，比如模擬退火演算法，以及最常用的梯度下降法的初始化步驟。
所以說，刷演算法題不能代替機器學習、數據挖掘等專門領域的學習和訓練。但是熟練掌握基本演算法，可以掃除學習專用演算法時的各種障礙，讓你能夠專心去理解專用演算法的精髓。具體的精力分配，還需題主自己斟酌。acm，tc之類，鍛煉的主要是代碼準確性，數學，邏輯能力，基礎演算法數據結構認知的深度和廣度。其中第一項是別的大學生學科競賽遇不著的方向，其他內容都有替代方案。
代碼準確性對任何編程相關的工作都有作用，但是acm中這個屬性屬於必要但大多數時候都不是決定性的(regional金銀分界線處除外)。
數學和邏輯能力涉及範圍廣因而鍛煉方式也很多。當然競賽涉及的更加貼近編程一些，而acm中這個也屬於重點考察範圍。
數據結構演算法認識廣度和深度，顯然有助於學習其它演算法，包括機器學習，主要是輔助。同樣是競賽重點考察範圍。
基本上acm與大多數編程相關工作關係不太大，但其鍛煉的能力是有通用性的。如果不是以regional金牌以上為目標，搞acm的必要性不是特別大。
本人前acm參賽者，不算強但也不渣，多少去過final，現在工作偏向科學計算。我的體驗是機器學習的研究沒有對錯之分，只有方法是不是合理。所以比起代碼能力，數學能力等等可以自學的東西，找一個牛B牛B的導師指導你，讓你學會應該怎麼做最重要。
在實際的工作中，從事機器學習相關工作的有四種角色（不一定對，算拋磚引玉吧)
1. 初級工具俠，在了解一定基礎甚至沒有基礎的情況下，按照模型訓練需要的格式處理好數據，輸入， 然後調優，最後離線跑全量數據或者在線實時調用模型2. 高級工具俠，了解模型，知道多模型融合，模型調優和特徵工程功底爐火純青3. 工具創造者，跟進最新的研究進展，結合公司具體數據規模和計算資源，將該模型進行工業化，實現大體量數據的快速訓練4. 模型改造，結合具體業務，對實際的模型的優化目標和優化演算法進行調整，如排序時考慮綜合指標，可以構造多目標排序模型那麼，題主如果僅僅是想停留在1-2，完全可以在ACM加大氣力，代碼能力提升必然有益於實際的工程能力，再者拿到ACM獎牌對於進頂級互聯網公司也大有裨益，此時本科畢業即可投身業界~
如果想去從事大規模分散式機器學習模型的研究開發，或者將業務和模型玩味的遊刃有餘，可以考慮在ML領域加大投入，當然ACM也不要放棄（代碼能力是終身受用的技能，不管是成為工程師還是科學家），比如刷完PRML之後，把模型寫一遍，然後找准你感興趣的方向（NLP或者RS），找相關的老師做指導，、本科發高水平論文甚至頂會我想也不是不可能。之後申請北美的Master，然後專註領域內研究，畢業進Google或者Facebook從事相關工作，我想也和你本科進BAT的難度差不太多.
大二能開始刷PRML，難能可貴，堅持哦~應該沒什麼問題，機器學習演算法在實際應用中是比較注重速度的，因此可以注意提高對時間複雜度的控制
我現在是倒著來的，在線筆試編程題都過不了，搞ML基本做夢
這麼說，ICPC和真實工作內容差異比較大，性價比不高。如果硬要競賽的話，按你的目標，不應該參加ICPC，而是KDDCUP。 本人弱渣，大學弄了ACM三年，現在做機器學習，很多知識點都忘記了，簡歷上已刪除這項獲獎經歷（都怕被給問死）。當然，培養思維那又是另外一回事了。但是如果給我重讀一次大學母校的機會，那我依舊選擇做ACM－ICPC。
Percy LiangStarford 人工智慧實驗室教授
- Programming contests: 2nd place at 2002 ACM ICPC World Finals, silver medalist at IOI 2000
肯定是有幫助的，側重點不同不能替代機器學習演算法。不過強大的代碼能力肯定是錦上添花的。雖然現在很多的機器庫可用。但多是單機版的。而機器學習很多都分散式的
推薦閱讀：