想要上岸 就找上岸
在疫情的影响下，过去的一年对于身处北美的New Grad求职者们而言无疑充满了坎坷与挑战。我将分享自己过去一年里的经历与心路历程。希望大家也能通过我的经历让将来的自己少走弯路、未雨绸缪，趁着招聘期的回暖趋势，提前做足准备，顺顺利利上岸。
接下来我将从职业规划/面试准备/时间线/心路历程等四个方面来分享自己的求职经历。
01
职业规划
a. 为什么以DS作为自己的求职目标？
其实在开始投DS相关工作之前，我自己也做了不少search，读到了很多热门的所谓的DS劝退帖 ，相信大家或多或少也有看到过一些。
那么，为什么我还是选择了优先寻找DS工作呢？
首先，个人背景。我本科是econ专业，没有很系统地学习过CS知识，最难的CS课也就学到了本科算法，简历上完全没有能看的CS项目，所以从零开始找SDE会有很大的gap要去追赶弥补；但相对地，我的计量经济、统计学概率论相关的知识会牢靠一些，也学习过一些machine learning，已经有了很多前期投入，稍微修修改改简历就可以尝试一下DS了。
第二点，根据以往课堂project的经验。我对于DS/DA这个方向有一定的热情，不管是deploy一个简单的model还是通过做visualization来讲好一个故事，做的事情会让我比较有成就感。即使是清理数据这一类比较琐碎的工作，如果我看着手头的dataframe质量一步步变高，也会很开心。
第三点，从长远角度，我对自己比较模糊的预判是想要往M岗转。
所以根据上述几点，给自己草草制定了一下计划，如果前五个月DS求职没有什么进展，那再铁了心转投sde的怀抱。再不济也能把leetcode的easy题给刷好了，不至于浪费太多时间。
b、BA track和ML track我是怎么选择的？
定下优先找DS的基调之后，我会发现具体工作是不能光看title的，一定要细读jd, 大致上可以分为以DA/BA为主的BA track，他们有的title叫DS，有的叫DA/BI/product analyst，这一类岗位强调统计知识的应用，需要比较强的product sense和实验设计。FB的DS, analytics就属于这个分类。
另一个则是ML track，会更加强调ML, DL的经验和能力，对coding的要求毫无疑问要高一档，甚至不少公司是把MLE放在SDE下面来招人的。这一类也有不少会要求有PhD或者硕士+多年工作经验，比如Amazon的applied scientist和Google的data scientist。
我观察下来，对于硕士应届生工作岗位而言，BA track的opening会多一些。我的策略是两边都投，不放弃任意一边的机会，但是主攻BA track。题外话，有些startup招DS会要求全才什么都会，stats + ML + NLP.... 本质上就是这两个track的结合。投简历时，可以稍微修改一下，准备两个版本的简历来应对。一些project经历对申请这两个track的DS都有帮助，比如说一个比较完整的ml项目申这些都能用。
前面有说到DS的面试体系会相对杂乱一点、经常会有些不按常理出牌的考官，所以我不建议走了BA就完全不看ml，或者走了ml track就完全不看统计，因为可能你就会在某个环节遇到了另一个track的题目。比如我有朋友去面JPM的DS，本以为是modeling为主，结果反而终面问了些distribution和贝叶斯的题目。
ML、BA双轨制，针对不同的职业发展路径
Case Study面试套路模板背诵
课上理论实践——每节课都用真题，模拟面试般的体验
课下高频题巩固，配合30+小时的老师录制的独家视频、项目、和预习复习材料
大数据级别的设计与分析、机器学习+深度学习项目
内部职位推荐网络
02
面试准备
a. 有哪些必不可少的学习资料？
FB的DS面试主要侧重在四个环节，缺一不可。平心而论，面的问题都不算刁钻，但是他们不希望面试者有任何一个明显的短板。具体的应试上岸算法的DS小班课里全都会有cover到，这里我就仅仅是罗列出来自己的准备资料，仅供大家参考。
SQL：
Mode SQL tutorial: FB官方推荐教学网站，界面感人，上手迅速
论坛面经：各大论坛有大量FB SQL面经，如果时间有限，一个个照着刷过来即可
LeetCode: 题目不多，如果时间有限，遇到window function的题可以选择略过
W3School: 参考用的工具书网站
Stats:
Khan Academy: 入门统计视频。倍速观看，用于复习。
Brilliant: 统计刷题网站，例子比较像应用题，贴近面试。
论坛面经：略
Seeing theory: 我没有用过，但是看到很多人强推，据说可视化做得非常好，便于理解统计理论。
Product case:
Stellapeers: FB推荐的产品学习网站，对学习metrics很有帮助，有些问题比较偏PM，需要自己做一定筛选
Udacity AB testing: Google做的最优质的AB testing入门课，没有之一
Data-Informed Product Building：据说是产品面试圣经，我只翻了几个看看，但是如果有时间系统学习，一定会很有帮助
Data case:
Datamasked: 有40多题数据相关的case题目，讨论了各种数据相关的问题，非常实战，涵盖了novelty effect, network effect等问题，对product sense也很有帮助，缺点是价格比较贵
Medium blog: 有很多tech公司的blog, 也有ml design相关的case问题，缺点是需要自己花很多时间去筛选
b、不同材料的学习投入比重我是如何分配的？
学习重点的分配完完全全是因人而异的，对于我的情况来讲，难点是：product case > data case > SQL > Stats。相信对于应届毕业生而言情况都会比较类似，因为我们缺少相关的工作经验，但是面试时候又需要很强的产品直觉，所以难免需要在产品问题的准备上多花时间，平日里有事没事就去看看stellapeers，让自己保持住一个状态很重要。
data case我认为也是一个难点，因为这一轮的面试官似乎往往级别会高一点(也可能就是我的正巧遇到了级别高一点的)，问到一些ML design的问题自由度很高，会根据回答继续细挖，并且夹杂着product sense考核。
在阅读case题目答案的时候，不要满足于答案，因为面试官往往也听到了很多雷同的答案，会期待更多更新鲜的想法。例如，有一个问题是“如何判断两个FB用户是不是最要好的朋友”。书上可能列举了几种measure closeness的方法，但面试官可能就会不停地询问是否还有别的方法。与此同时，你可能还会被问到，为什么会需要launch这个功能，能给FB带来什么好处之类的product问题。
SQL讲道理语法什么都不是很难，最难的题用到一个subquery WITH t1 AS(...) 就能搞定，但是平时一定要常刷题保持手感，我看到地里好多人反映都是轻视了SQL，没能够快速理解题意，导致白板面试的时候脑子空白了5分钟，最后就来不及写完了，尤其是video chat的时候你没有思路的话，场面会一度十分尴尬...... 其实这一轮是可以选择用python (pandas)或者R (dplyr)来考的，但是出题逻辑是SQL做题最直观，还是建议选用SQL。
统计题目的话 bayes, binomial distribution之类的大一大二统计知识是侧重点，一半题目都会是排列组合、条件概率。
03
时间线
我是在9月初入学master, 大约入学前一个月，即8月左右开始寻觅朋友修改简历，开始内推。我申请的时候还没有OA的要求，但听说后来就开始发放OA了。
8月底填写了一份内推问卷调查，9月初收到了hr的initial screening call，9月中旬参加了video面试(一轮SQL+一轮product)，最后10月中旬参加了on site (四个环节，每个一轮，疫情期间改为了video面)。
总体上的时间是比较自由的，完全取决于你想什么时间参加下一轮面试，如果过程中准备时间不够，可以多次和recruiter要求延期。但是opening开放的窗口比较短暂，所以我的建议是哪怕题目还不熟悉，只要有了一份qualified的简历，就先可以开始内推申请起来，随后在面试的过程当中再不断准备。
FB新添加的OA也从侧面说明，应届生似乎越来越有供大于求的趋势，所以真的很有必要早点准备。哪怕是没时间准备，过了initial screening随意延期好了，我中途也延了两周，但是错过投递简历的时间窗口就得不偿失了。
此外，我和一些学弟学妹们有聊到，他们反映初来乍到，同时要兼顾学业和面试非常地有压力。
我个人的想法是，对于不是学有余力的同学来讲，重点一定是放在求职上会比较好，学业只要能顺利毕业就行，哪怕是master degree拿了4.0 也不会有很多人care，面试期间的课内学习和课外学习的时间分配至少要在1:2这样。
虽然今天我们的topic是FB的DS，但是你在准备面试期间，平均总是在一段时间内准备2-3家公司的面试的。尤其是第一学期，课业可能还没有特别难，更需要多花时间在面试上，这样一切顺利的话，上岸以后再来补救课业也很稳妥。
如果你现在还没有入学，那入学前的这几个月简直是准备面试、丰富简历的黄金时期，只要这个暑假克制自己保持学习做点project，一入学的同时就开始申请summer intern/或者直接申请全职就能水到渠成。
如果你已经临近毕业，也不需要慌张，可以通过参加上岸的DS小班完善简历，冲刺掌握面试技巧，抓住每一个机会。
04
心路历程
回首求职路，我发觉还是有很多方面可以去做到更好的，大约有如下这三点。
第一点，我花了太多的时间在udacity的ab testing课程上。我搜刮资料时候发现很多同学推荐这门课程，因此也认认真真从头到尾看了两边，可能花了将近一整周的时间，这在面试期间是一段不小的投入，当然也学到了不少内容。可是面试期间几乎没有遇到ab testing的题目，遇到能和ab testing有所关联的，面试官也有很刻意地避免聊ab testing。之后我去网上看了看近期面经，确实考核实验设计的频率较之从前有大幅减少，也看到了别的同学说“面试官不想聊ab testing”这样的评论。我不确定这些样本是否具有代表性、是否现在面试考核内容的趋势有所改变，但是在当时那个情况下，我也许看看别人的课程笔记迅速了解一下ab testing会是一个更好的选择，而不是选择看视频上一整门课。
第二点，投入了很多不必要的时间在leetcode刷题上。我一度以为对于DS一定要把leetcode的easy题目全部搞定，所以暑假期间花了很长时间用python和Java来做算法题。有一说一，这个倒是对我的python水平有了一定的帮助，但是现在看来我申请过的这些BA track没有一个考核了算法题目，只有一些顺带申请的data engineer考了算法。如果我能够更有针对性地提前了解一下DS的OA，我一定会适度减少刷题的时间，用来补充其他短版。刷题本身没毛病，但是不可迷信、盲目地刷题。
第三点，忽略了面经的重要性。我面试的时候，至少遇到了四题在面经中瞥到过的题目。以此推断，FB的DS题库并不是很大, 甚至可能可以是暴力穷尽的。那一天，我每次被问到面经题时，内心都会不禁涌起一种懊悔感，“哎呀，早知道被问这题，当初何不把网上大佬们的解答都仔细看看，集思广益呢”。这种懊悔感在我最后几天等待面试结果期间愈发强烈，试想我都中了那么多题了，如果仅仅因为不够重视面经最后给面挂的话，得多难受。如果让我重新经历一遍FB的面试，在最后的几天里，我一定会把重点转到面经上面，把每一道高频题目翻来覆去地花式操练。
关于疫情期间的注意事项，这里我想重点讲一个和求职不那么相关的题外话。那就是，无论是CPT和OPT千万千万要早做打算。
一方面是USCIS效率低下，另一方面有的opt是从学校DSO寄出来的，一旦出什么问题更正的材料寄去学校再寄回来前后又是10天时间。我当时就是因为想着已经有了工作，松懈了一下拖延到了10月底才寄出，谁知道最后竟然花了5个半月才收到EAD卡，defer了好几个月的入职时间，四舍五入损失一大笔。我也听说一些最近求职的朋友，就是因为手头没有EAD卡，公司卡着offer。更有甚者，因为EAD卡到得晚了，中小型的公司直接手撕了offer，得在毕业后重新开始面试找工作。
经历了这轮波折，我才理解为什么大家都说求职就像打怪升级一样，不到最后上岸不能喘息，疫情期间更是要格外重视这些身份相关的事情。也希望大家每一步都早一点规划，每一步小心翼翼，每一步也走得更加顺利。
If we can winter this one out, we can summer anywhere…
杭州上岸算法网络科技有限公司
上岸算法网络科技有限公司是一家致力于用高质量，高互动性小班课程来帮助学生更好的在就业市场中定位以及求职的公司。我们以顶级的课程质量，高互动性的教学方式以及独特的小班教学模式来帮助学生更快的跨过求职的鸿沟，用最高效，经济，合理的方式帮助更多学生快速找到梦寐以求的工作。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
