我已经开始面试数据科学职位，我注意到很多公司都会问传统的计算机科学问题。我没有正规的 CS 教育。事实上，我在大学时主修商科，情况恰恰相反。我对二进制搜索、冒泡排序或动态编程等传统 CS 算法一无所知。

我在机器学习/数据科学方面有很强的背景，但我所知道的几乎所有事情都是通过多年的谷歌搜索、做有趣的 ML 副项目、Kaggle 以及通常以艰难的方式学习的东西。我知道数据科学家需要能够编码。具有讽刺意味的是，我是一名专业的软件工程师，我整天都在编码。我只是没有理论背景。在我开始认真申请数据科学工作之前，我是否需要阅读诸如《算法简介》之类的内容并复习 CS 本科生的工作？

请注意：我知道这里还有很多其他问题，关于学习什么才能成为一名优秀的数据科学家，但这个问题略有不同。我个人不同意传统 CS 算法的知识与大多数日常数据科学工作相关，并且了解这些知识会让你成为更好的数据科学家。

大多数机器学习算法（梯度提升、随机森林、线性模型、SVM、神经网络等）都可以在易于使用的库中使用，例如 caret (R)；scikit-learn 和 TensorFlow (Python)；或 H2O 和 MLlib (Scala/Java)。还有一些易于使用的工具，如 Spark，可以使这些算法扩展。我觉得理解学习算法（如梯度下降）如何工作是相关的，但我不同意递归或动态规划是相关的。我错了吗？我应该更开放吗？