目前机器学习在互联网工业界最重要的应用场景是：搜广推，也就是搜索、广告、推荐。

这是三个不同的场景，但是他们之间的算法技术栈是高度相关的。

比如，搜索要解决和预测哪些结果和用户的输入词更相关的问题，而广告同样也要解决哪些广告与用户需求更相关的问题。推荐系统要推荐用户更可能点击的产品，广告系统同样要推荐用户更可能点击的广告。

这些场景通常是与产品盈利以及产品用户体验最相关的场景，同时也是绝对以算法来驱动。这意味着，与这些方向对应的部门或者组，也就有了大量的算法人员的需求。而这方向的从业人员，往往也有着很广的就业面。

那么搜广推对应的机器学习技术有哪些呢?

搜广推是个很复杂的系统，这不是几句话就可以完全概括的，但是简单来说来就是：

就比如：在广告领域，往往需要判断广告文本和用户输入文本是否在语义上相关。这意味着做这个方向的组将是一个非常NLP的组。而如果负责的广告主要是图片广告，那CV相关的技术同样也会很重要。

同时，搜广推也同样有着这个领域特定的技术：比如召回相关的模型，排序相关的模型，点击转化预估相关的模型。

大部分人肯定没法做到对推荐系统的每个部分都了如指掌，就如前文说的这是一个很复杂的系统，往往一个推荐系统产品是由好几个算法组一起负责，而每个组只负责系统里的一个子环节。所以你可以在大致了解推荐系统基本流程后，挑选自己喜欢的一个方向去深耕。

总结一句来回答题主的问题就是：夯实好自己NLP/CV/传统ML相关的基础(比如了解NLP和CV的一些主流模型) ， 同时加深自己对推荐系统的了解。

当然对于非互联网领域，有些技术则非常重要。比如在金融领域，异常检测与时序预测°是应用场景最广泛的机器学习技术。

希望以上分享对你有所帮助。