这个问题可能从应用场景的角度出发可以更好的回答。目前工业界哪些场景是机器学习应用最广泛的？而目前大厂哪些组或者部门有着最多的算法工程师或者机器学习工程师？
如果回答了这些问题，那机器学习哪个方向在工业界前景最好这个问题就能相应被回答。
目前机器学习在互联网工业界最重要的应用场是：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的场景。
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，这不是一个可以简单就能概括出来的问题，但是简单来说来就是：
自然语言处理NLP/计算机视觉CV/传统ML技术在搜广推都有着广泛应用。
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。
如果对推荐系统感兴趣，欢迎点赞或者留言。篱笆老师在以后的文章可以更具体地介绍推荐系统相关的知识。
以上。
