MLE 四个月跳槽总结
2977533
用时四个月的高强度跳槽终于结束了，我的心态也终于放松了下来。之前我也在地里看了不少前人的跳槽总结，从中也学习了不少从刷题准备到综合策略的方法论，现在我也想把我的data points 和经验做个分享。
过程： 18个phone interview, 8 onsite, 拿了一个满意的senior offer 就推掉了还没面的3个onsite
1. 心态
1）个人心理准备：
基本所有人都听说过2023年跳槽的平均难度，2024年很大概率也会挺难。但究竟有多难只有自己经历了才有切实的体会。跳槽的难度和很多因素有关，工作背景，技能点，所在行业的供需比，etc. 当然还有----运气。
在这样的情况下，跳槽需要做好多尝试，打持久作战的准备。我个人的情况是：1）目前做的方向基本已经熟悉了，个人成长十分有限，2）目前公司和所在组的发展空间很有限，business model 站不住脚， 3）在当前经历和听说了很多工作上和管理上混乱，做东西事倍功半的事，4）之前趁着USCIS 放水的时候拿到了绿卡
考虑到job market 在2024年也大概率不会明显好转，而且我很看重personal growth，我决定还是尽快跳槽， You cannot time the market 我觉得放在job market 上同样适用。
2）家庭生活：
跳槽需要花费大量的时间和精力，不注意的话会对家庭生活状态和亲密关系有明显负面影响。从做家务到周末活动到沟通质量，很多时间和精力势必要分给准备面试和白天工作上。这里就需要和爱人做坦诚深度的沟通，双方在不太影响生活和亲密关系质量的基础上做一些妥协。我自己也有意识的在这方面多注意，比如周末基本要出去吃顿好的，逛半天；顺手多做一些家务。
在这里要着重感谢老婆大人在情绪上和时间上的付出！没有她的陪伴我的跳槽之路不知会难走多少。现在终于可以和老婆回到正常的生活节奏了！
2. 工作背景
PhD 毕业3.5年(非CS 方向)，一直在一家中小厂做介于ML research 和product 之间的项目，期间主导落地过3个feature，但由于公司本身的技术水平离一线很远，所以很多东西都是自己摸索出来的。这一点包装得好一点可以是“从零到一的经验多”。但坏处是每一个方向都做得不很深，如果面试的是对某个方向比较专精的组，就容易让面试官觉得不够technical (我遇到了几次)。
3. 简历准备
简历的两个作用：1）让HR/recruiter 判断是不是和job description match，2）让hiring manger 和 interviewer 觉得挺牛
所以我觉得比较好的操作是在一开始做一个skill set 的 summary 给 HR/recruiter 看，后面对每个project 用 H+STAR+L 做bullet point, 这里 H 指hook, 介绍项目的background和重要性，L 指 personal learnings. 很推荐课代表这个视频： youtube.com
4. coding 准备
1）Leetcode, 题到用时方恨少。我之前在认知上没有意识到刷Leetcode 的重要性，现在我认为Leetcode 就是跳槽找工作游戏规则的一部分，所以总结data structure 和做题套路，保持刷正常套路题的手感是不错的 investment.
我总共刷了300题左右，主要是参考Meta 的高频题；TikTok 的高频题后面也刷了一些，但很多题的思路比较奇怪。 很推荐 labuladong 的套路总结 labuladong.github.io，提供的模版很好用（binary search first last appearance, sliding window, DFS, BFS, union find, Trie, monostack, monoqueue, topological sort, etc）
2） ML coding, 我总结了常见的CNN transformer 的PyTorch写法, numpy 写 常见operator(e.g,, linear, maxpool)的forward backward, network training code from scratch (dataset, data augmentation, dataloader, optimizer, loss 怎么写)；另外就是具体项目相关的一些PyTorch coding
5. ML system design 准备
Educative.io 的ML design 还是比较表面，Alex Xu 的ML system design interview 这本书还不错，作为了解常见方法和讲解design 的套路挺好的，但是如果要更深入地准备某个方向还是需要读original paper，下面这些industry lab 的paper 有不错的总结（感谢一起准备面试的伙伴的分享！）
xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
Wide & Deep Learning for Recommender Systems
Practical lessons from predicting clicks on ads at facebook
DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
Deep neural networks for youtube recommendations
Deep & Cross Network for Ad Click Predictions
6. Behavior question 准备
建议用U-shape: Man in a hole 模版准备各种故事 (youtube.com), 可以准备各种克服 technical, cross-department communication, mentorship 的挑战的过程，故事不需要一上来就很长，一些细节可以在适当的时机（比如interviewer 问的时候）再补全
7. 面试感受
1. 在当前的job market 下组招的公司很看重是否exactly match，也只有面了才知道算不算exactly match。
2. 总体看Nvidia 的面试体验是我面过的所有公司里最差的，recruiter 爱理不理，面试时间改来改去。我面的一个职位feedback 很positive, 结果说我两个月前面试的另一个职位feedback 不好把我拒了，这个职位和我当时面的职位其实不相关；用这种奇怪的理由拒人，应该是有太多候选人挑花眼了吧
3. Cruise 的recruiter 给人感觉不专业，总是不耐烦的的样子，还看错我邮件的意思，和glassdoor 上对Cruise recruiter的评论差不多
4. Google research 的 research scientist 职位对发paper 的能力要求还是高，我觉得基本只有对口专业的人且一直发paper 才行；另外recruiter 非常专业，主动帮我 match Google research 里 偏engineering 一些的 position。
5. Tesla 感觉挺卷的。一个interviewer 刚进屋就跟我说要先干会儿活，今天要做完一个东西。。。吃饭一个多小时5个人都基本全程在聊工作，而且看起来聊得很开心。这个换成是我，中午可不打算除了工作就是工作；饭很凑合：就是保温箱里10刀一个盒饭，不好吃
先写这么多吧，现在跳槽基本是马拉松，尤其是当前工作屁事多的情况下；希望想跳槽的各位早日骑驴换马~
补充内容 (2023-12-21 09:13 +08:00):
补充下我面其他的公司。我最后去了一家独角兽，做的方向我很感兴趣，并且impact 足够大，同事和business model 都靠谱。名字就不说了哈怕被认出来
Apple: 5个组，Nvidia 3 个组，Google research，zoox，cruise, meta, celonis AI, TikTok 2 个组，Tesla, Saumsng research
过程： 18个phone interview, 8 onsite, 拿了一个满意的senior offer 就推掉了还没面的3个onsite
1. 心态
1）个人心理准备：
基本所有人都听说过2023年跳槽的平均难度，2024年很大概率也会挺难。但究竟有多难只有自己经历了才有切实的体会。跳槽的难度和很多因素有关，工作背景，技能点，所在行业的供需比，etc. 当然还有----运气。
在这样的情况下，跳槽需要做好多尝试，打持久作战的准备。我个人的情况是：1）目前做的方向基本已经熟悉了，个人成长十分有限，2）目前公司和所在组的发展空间很有限，business model 站不住脚， 3）在当前经历和听说了很多工作上和管理上混乱，做东西事倍功半的事，4）之前趁着USCIS 放水的时候拿到了绿卡
考虑到job market 在2024年也大概率不会明显好转，而且我很看重personal growth，我决定还是尽快跳槽， You cannot time the market 我觉得放在job market 上同样适用。
2）家庭生活：
跳槽需要花费大量的时间和精力，不注意的话会对家庭生活状态和亲密关系有明显负面影响。从做家务到周末活动到沟通质量，很多时间和精力势必要分给准备面试和白天工作上。这里就需要和爱人做坦诚深度的沟通，双方在不太影响生活和亲密关系质量的基础上做一些妥协。我自己也有意识的在这方面多注意，比如周末基本要出去吃顿好的，逛半天；顺手多做一些家务。
在这里要着重感谢老婆大人在情绪上和时间上的付出！没有她的陪伴我的跳槽之路不知会难走多少。现在终于可以和老婆回到正常的生活节奏了！
2. 工作背景
PhD 毕业3.5年(非CS 方向)，一直在一家中小厂做介于ML research 和product 之间的项目，期间主导落地过3个feature，但由于公司本身的技术水平离一线很远，所以很多东西都是自己摸索出来的。这一点包装得好一点可以是“从零到一的经验多”。但坏处是每一个方向都做得不很深，如果面试的是对某个方向比较专精的组，就容易让面试官觉得不够technical (我遇到了几次)。
3. 简历准备
简历的两个作用：1）让HR/recruiter 判断是不是和job description match，2）让hiring manger 和 interviewer 觉得挺牛
所以我觉得比较好的操作是在一开始做一个skill set 的 summary 给 HR/recruiter 看，后面对每个project 用 H+STAR+L 做bullet point, 这里 H 指hook, 介绍项目的background和重要性，L 指 personal learnings. 很推荐课代表这个视频： youtube.com
4. coding 准备
1）Leetcode, 题到用时方恨少。我之前在认知上没有意识到刷Leetcode 的重要性，现在我认为Leetcode 就是跳槽找工作游戏规则的一部分，所以总结data structure 和做题套路，保持刷正常套路题的手感是不错的 investment.
我总共刷了300题左右，主要是参考Meta 的高频题；TikTok 的高频题后面也刷了一些，但很多题的思路比较奇怪。 很推荐 labuladong 的套路总结 labuladong.github.io，提供的模版很好用（binary search first last appearance, sliding window, DFS, BFS, union find, Trie, monostack, monoqueue, topological sort, etc）
2） ML coding, 我总结了常见的CNN transformer 的PyTorch写法, numpy 写 常见operator(e.g,, linear, maxpool)的forward backward, network training code from scratch (dataset, data augmentation, dataloader, optimizer, loss 怎么写)；另外就是具体项目相关的一些PyTorch coding
5. ML system design 准备
Educative.io 的ML design 还是比较表面，Alex Xu 的ML system design interview 这本书还不错，作为了解常见方法和讲解design 的套路挺好的，但是如果要更深入地准备某个方向还是需要读original paper，下面这些industry lab 的paper 有不错的总结（感谢一起准备面试的伙伴的分享！）
xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
Wide & Deep Learning for Recommender Systems
Practical lessons from predicting clicks on ads at facebook
DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
Deep neural networks for youtube recommendations
Deep & Cross Network for Ad Click Predictions
6. Behavior question 准备
建议用U-shape: Man in a hole 模版准备各种故事 (youtube.com), 可以准备各种克服 technical, cross-department communication, mentorship 的挑战的过程，故事不需要一上来就很长，一些细节可以在适当的时机（比如interviewer 问的时候）再补全
7. 面试感受
1. 在当前的job market 下组招的公司很看重是否exactly match，也只有面了才知道算不算exactly match。
2. 总体看Nvidia 的面试体验是我面过的所有公司里最差的，recruiter 爱理不理，面试时间改来改去。我面的一个职位feedback 很positive, 结果说我两个月前面试的另一个职位feedback 不好把我拒了，这个职位和我当时面的职位其实不相关；用这种奇怪的理由拒人，应该是有太多候选人挑花眼了吧
3. Cruise 的recruiter 给人感觉不专业，总是不耐烦的的样子，还看错我邮件的意思，和glassdoor 上对Cruise recruiter的评论差不多
4. Google research 的 research scientist 职位对发paper 的能力要求还是高，我觉得基本只有对口专业的人且一直发paper 才行；另外recruiter 非常专业，主动帮我 match Google research 里 偏engineering 一些的 position。
5. Tesla 感觉挺卷的。一个interviewer 刚进屋就跟我说要先干会儿活，今天要做完一个东西。。。吃饭一个多小时5个人都基本全程在聊工作，而且看起来聊得很开心。这个换成是我，中午可不打算除了工作就是工作；饭很凑合：就是保温箱里10刀一个盒饭，不好吃
先写这么多吧，现在跳槽基本是马拉松，尤其是当前工作屁事多的情况下；希望想跳槽的各位早日骑驴换马~
补充内容 (2023-12-21 09:13 +08:00):
补充下我面其他的公司。我最后去了一家独角兽，做的方向我很感兴趣，并且impact 足够大，同事和business model 都靠谱。名字就不说了哈怕被认出来
Apple: 5个组，Nvidia 3 个组，Google research，zoox，cruise, meta, celonis AI, TikTok 2 个组，Tesla, Saumsng research
- 742