首先，以排序为例，有冒泡排序、快排、二分法、分桶或者分堆.......它的每一种排序过程背后，其实都是一种解决问题的方法。
比如说二分法，我们可以把它不断地去做切分，分成不同的堆，然后每个堆去分别去解决它。这样的话，就可以达到效率比较优的一个情况。
我们实际在做任何代码开发的时候，都可以把这种思维方式应用过来，而不是排序问题本身的实现它可以运用到工作中来。
我之前写分析引擎的时候有一个非常小的功能点，需要判断大家提交的分析查询语句是否存在前后矛盾的情况。
当时我是自己写了一个类似有向无环图的判断来解决。一开始写这个判断的时候并不能和曾经刷过的题关联起来，但在一些有变化的问题上，就发现需要用到刷算法时的解决思路了，比如怎样实现会更优雅，各种复杂度是比较小等。
这些都是你刷久了算法后，逐渐潜移默化的一个应用过程。
而机器学习算法的话，很多时候面临到的问题是，你学到的一些非常fancy ，看起来很厉害的模型，却在实际运用的时候发现都不work，效果也不好，甚至是会面临一些很厉害的模型因为性能太差根本没法上线。
这些情况都是比较常见的情况，所以在实际的工作中用到一些模型的时候，一定要理解它背后的原理和当时提出这个模型的过程。
只有了解了当时为什么会有这个模型出现？这个模型为什么这么设计？当时背后思考了什么样的问题？优缺点又都是什么？
把这些吃透，是你的第一步。
第二步是需要你在实际的业务场景下，结合当前的情况去不断做match。
比如说数据分布，你用到了什么样类型的特征？你的线上的算力和性能是什么样的？
结合过程中你实际遇到的各种问题，再去思考自己以前学到的理论，有哪些思想是可以应用到解决这个问题的？哪个模型可能和当前的数据分布更加匹配？
你的match做得越好，你就越能解决当前的实际问题。
所以，在我看来，我们学到的算法知识，你一定要把这个知识变成自己的认知，再用这个认知去解决实际工作中遇到的问题。
那么对于这个问题，其实你自己就会有答案了。