根據我的經驗，如果關注更多是應用服務層，而不是算法層的話，在工作初期影響不大，可以根據業務目標對數據進行收集、處理、調用成熟庫里提供的算法（當然你要理解算法是做什么的），評估模型等，這個時期沒有太多算法基礎影響不大；

況且，在學習的初期，不過分關注算法而能端到端跑通一個機器學習或者數據挖掘的任務，對于理解機器學習整體流程以及保持學習的興趣也是有益的，如果一開始就扣進算法實現細節、想著調參。。。可能學習的興趣慢慢就減少了。

隨著學習和工作的深入，理解機器學習常用的算法的實現就顯得越來越重要的。理解算法的實現對于選用合適的算法、參數以及解釋模型、評估模型都十分有用。就可以知道不同算法所適應的場景：在什么情況下用，怎么調參數可以發揮算法的價值。

在實際的數據挖掘和機器學習工作中，算法對模型訓練起得作用不是沒有，但是不同算法差別不大，數據量和其質量在模型的訓練過程和精度上起得作用往往更大。這點在深度學習模型訓練中體現的更明顯！