上岸算法I 談一談你們是如何準備IT面試的？

迎戰春招，我該準備什麼？

面試風向

或許不少人還在埋頭苦刷。但卻不知，SDE的技術面試已經再也不向「更難的題」進發。咱們蒐集了大量在2020年面試的同窗反饋資料，面試考題依舊停留在以Medium至Hard難度之間，並無由於疫情將題目門檻大大提升。題目難度相比往年幾乎持平，也沒有大範圍出現更新，更難的算法知識。

相比較之下，近幾年開始，面試對於求職者的交流能力提出了更高的要求。如何在面試中準確的提問，以及表達、闡述本身的算法思想，反而成了區別面試者能力的一大因素。恰巧，這又是不少求職者忽略的部分。咱們要知道，「我會寫題，我能寫題」 和「我是一個Productive的工程師」 之間是有很大分歧的。要作一個多產的工程師，組間、組內的交流能力顯然是最重要的素質之一。

用直觀的量化表達，在一場面試中，算法能力的比重在咱們看來高達60%，但剩餘40%均來自於交流軟技能。假設，你須要在一場面試中獲得6/10的分數纔可以經過，而假設能寫對全部算法題(最優解, bug free)在四場onsite面試能得6分，能準確回答全部交流問題滿分4分，大部分經過的同窗會落在算法部分(3 to 5) + 交流部分(2 to 3)的區間內。

另外不要忘了，人是社會動物，好的交流能力能在面試官心理上幫你提分很多。

SDE面試準備

基於以上狀況，假如你的目標是可以在2021年找到一份「給sponsorship」的年薪(總)不低於100k的SDE相關工做，那如下是咱們給出的建議：

首先明確本身的算法能力，要深度掌握面試的必要算法，但不要盲目追求題量。刷題對於人的算法能力提高是顯而易見的，但盲目追求數量而不去總結和歸類必定是事半功倍。

如下是你必須深知的算法知識：

排序(常規/拓撲)/二分法

寬度優先搜索/深度優先搜索

雙指針/鏈表的操做

盞的運用(包含單調盞等)

隊列的運用

雙向隊列的運用

優先隊列的運用

掃描線

樹的問題

（除去BFS, DFS，樹的一些經典操做，遍歷(固然也能夠算做dfs)，序列化等）

有人可能要問爲何沒有DP？

由於DP在大部分公司都不是面試要求，並且能夠用DFS + 優化處理。另外在準備學習DP的時間性價比上並不高。因此不作推薦。

推薦題量？

咱們推薦您在系統性的訓練上述算法後，刷至400-500題便可。這些知識足夠達成咱們的目標。但咱們仍是要強調，刷題因人而異，我刷500題的體會和他刷500題的體會顯然有很大區別。因此咱們強調您須要「系統性」的訓練算法。假如您不能在作到一題新題(假設是上述算法知識之一)，並將之迅速歸類到某種算法和某種寫法，咱們認爲您的算法知識還有缺陷。

Data方向求職策略

數據領域和SDE領域的求職很是不一樣，SDE領域的求職知識每每集中在算法和計算機知識等領域。而數據領域的工做，不少人卻仍有迷思。Data方向包括如下崗位：數據科學家(Data Scientist)、機器學習工程師(machine Learning Engineer)、數據/產品分析師(Data/Product Analyst)、商業智能工程師(Business Intelligence Engineer)、數據工程師(Data Engineer)。除此以外，數量研究師(Quantitative Researcher)、研究/應用科學家(Research/Applied Scientist)、甚至產品經理(Product/Program Manager)等等，也能屬於data方向的廣義範疇。

2020年，Data方向的簡歷投遞策略是什麼？

2020年無疑是屬於海投的一年，往年可能還能集中幾十個大廠投遞，今年只能不論公司規模和名氣，三十六計投爲上計。由於Data方向的崗位衆多，學生在投遞簡歷的時候，每每走了一些彎路。咱們在輔導中，常常碰到的幾個關於投遞的誤區是：

1）投得晚

這一點毋庸置疑，太多學生想等到萬事俱備只欠投遞的時候、才投出神聖的簡歷，所以白白錯過了最佳的投遞時機。這樣的例子數不勝數。明年春招在即，建議你們早早豐富好本身的簡歷，準備好在1-2月瘋狂地投遞吧。若是本身面試準備得已經要修煉成仙了，錯過了投遞時機而沒有拿到面試，也只是屠龍之術。

2）投得精

Data方向尤爲常見這一失誤。不少學生只知Data Scientist，其實還有不少崗位和DS一脈相承。既然投了Data Scientist，爲何不一樣時投Analyst、ML、BIE、AS等等崗位呢？這些崗位面試須要的技能點和考察的知識點，和DS有必定的overlap。公司會根據本身的headcount和招聘策略，實時調整本身在不一樣崗位上的招聘額度。因此擴寬本身的投遞範圍也是常見的應對策略。

3）投得高

又是一個Data方向的求職者容易犯得錯誤。有些人很迷戀一些高端大氣上檔次的Research Scientist，或者時下很火的Machine Learning Engineer。這裏咱們不是不建議投遞這樣的崗位，若是背景合適，固然要死命地投遞。可是，同時咱們還要指出的是，這一類崗位一般僧多粥少，並且競爭可能遠比想象得激烈。

有些很優秀的人，由於看不到和他們一塊兒競爭的candidate pool有多大，就只往一些難度係數最大的崗位投遞。咱們給出的建議是，就算對這類崗位把握極大，仍是要投遞一些其它的崗位來保證本身能上岸，如BI類的崗位。

其實，不管是公司，仍是崗位，職業發展是長期的，這樣的事情不須要追求一蹴而就。只要你上了岸，以後不論往大廠跳仍是轉崗，都是有不少辦法的；比原由爲好高騖遠而上不了岸，有了H1B以後的轉崗和跳槽，要容易得多得多。不少的成功實例都有survivorship bias，並非每一年畢業的人中都有那麼大比例的人拿了大包，找到最適合本身的路纔是最重要的。

DS 面試準備

固然，Data領域這麼寬泛的範疇也意味着面試準備不能千人一面。

1）夯實基礎，SQL和Python編程基本功不可丟，關於array的data manipulation要會用Python寫些easy題目；

2）觸類旁通，側重case study的靈活運用，如今公司愈來愈側重考查數據科學中business acumen了，也就是給你一個實際的情景，如何找到相應的數據來解決問題；

3）點面結合，machine learning的基礎知識要懂，更重要的是怎麼將你的機器學習設計與產品需求相結合。