各个行业都有算法部分，统计有统计的算法，控制有控制的算法，图像处理有图像处理的算法。在很多传统行业，算法不是一个独立的岗位，而是由研发工程师负责。
互联网和软件行业把算法分离成一个独立的岗位大体有两个原因。第一，低级的软件工程师不懂算法，或者更干脆一点说不懂数学，所有涉及到模型和计算公式的工作都必须要找专业技术人员来搞定。第二，从生产效率考虑，初级算法工程师很多没有很好的软件工程背景，简单点说就是不会写代码只会写matlab，这种工程师的工作交付没有很好的方法直接投入生产，所以要将他们的工作和生产环节隔离开。
面向业务流程的算法设计，例如数据结构设计，排序，搜索，随机数生成，分布式计算优化，是普通的计算机专业常识，一般中高级程序员都需要有能力负责这种算法的开发设计。
大数据和统计分析算法，大多数都用在各种行业的量化模型的构建，比如推荐系统，广告竞价，量化交易系统，财务金融分析决策。这一部分一般并不是程序员做的，而是其他与数学紧密的一些专业技术人员。这一部分也有很多工具包可以直接用，在很多行业里其实并不会单独抽调团队来做研发。
推荐算法和协通过滤算法，就是各种推送系统的设计机制，这个无他，熟练工种+各种业务需求满足。
NLP，自然语言分析，包括信息检索技术，比如倒排索引，概率检索等。 另外，在面向文本内容分析中，还会使用到很多的聚类，embedding等机器学习算法。依然多数应用于广告，推送系统，搜索引擎等产品中应用。当然，依照惯例，大部分的公司是没有专门的团队做nlp的，一线公司除外，因为能使用的第三方库很丰富，所以普通算法工程师会退化到调参和api调用等低级工种上。
信语音信号处理，例如回路噪声抑制，vad，语音合成，acoustic signal processing是一个特定领域，需要有很深入的理论认知才能设计出好的处理算法，例如做语音识别的前端信号采集，人工语音等。如果是小公司做业务相关的东西，这块也不建议做自我研发，成本太高。
图像处理，尤其是基于OpenCV的图像处理算法，一般产品里有做美颜，滤镜什么的很喜欢招这块的小朋友，近一两年有被做深度学习的取代的趋势。最近google出了arcore，所以让不少小公司也能出一些效果很好的换头类应用。
深度学习，当然，别认为这样的领域大部分公司能做到什么程度。首先，国内的大部分公司，号称做ai的，集中在做人脸识别，这块做的太成熟了，基本上现在上手也就是搭框架，什么rcnn，yolo，vgg，alexa，这些都需要去研发么，不，你能把模型跑起来就可以了。说白了会用工具，知道基本调参方法，就能去做了。其次，正儿八经用到DNN，RNN，CNN的地方，一般都没什么鸟数据可用，所以低端的岗位最后会变成收集数据和标记数据的马仔。
SLAM，集中在机器人定位导航上，比如无人车，扫地机器人，这个方向已经很专了，和上面的那些大路货不是一个层面的，要有好的团队，好的导师才能带你入门，国内这个方向的团队实验室来来就那么几个。
计算机图形学，这也算是一个大类，主要涉及到图形渲染算法，光追算法，三维图像重构等图像绘制方面的内容。这个方向，不光是做3d引擎和游戏开发方面，对于很多行业需要与cad相关的，都会涉及到这一个领域的模型和优化算法设计。
VR，AR领域，涉及到的包括视频跟踪，SLAM，raytracing，几何投影等等，其实就是一个综合的领域，目前主要是做计算机视觉的转行做这块。
传统的算法范畴还包括：所有的业务逻辑流程设计，随机数生成，校验，加密解密，压缩算法，但是这种类型的算法不需要专门一个算法工程师来做，都是程序员搞定的。
通信基带信号处理，网络优化算法，这一块其实很式微了，毕竟高大上的算法小公司没成本去实施。
控制算法，自适应滤波算法，用在机械领域上，比如机械臂行程控制，稳定性。
有限元算法，这块从雷达，机械，电磁学，到服装设计，都有很有价值的应用。
统计建模，stochastic calculus，点估计，主要是量化金融行业，某些行业的信号检测也会应用到这块的技术
信号处理，比如插值，频谱分析，盲信号分离，压缩感知，物联网大部分应用会涉及这一块。
