New Grad DS找工总结
575310
18年底毕业的IEOR专业硕士，从十月底到一月初经历了三个月的找工季，目标tech行业的DS岗位，感触颇多。
背景：之前summer在药厂里的commerce部门做DS intern，其实工作略无聊。在传统行业的DS或者tech类岗位不受重视，技术栈也跟科技公司没法比，做了一些不疼不痒的toy project，当时根本没有上线production的意识，做完之后就是画画PPT提一些建议就完事了，至于manager或者别的business stakeholder有没有人听就难说了。传统行业还存在很多这种end-to-end data scientist，从数据收集，清洗，建模到presentation都是DS在做。而在科技公司DS的岗位已经明显分化成：1，做analytics的DS，infrastructure越来越好已经极大简化了工作流程，基本会写SQL就是唯一的tech要求，而这种岗位对product/business sense的要求很高，适合有工作经验的candidate。 2，做modeling/research的DS，这种岗位bar极高，很多minimum requirement就是phd，适合建模/research背景强的大佬。3，还有一些偏engineering的岗位，已经不太像DS了，叫machine learning engineer可能更合适，面试也是以算法+ML+system design为主。搞清楚自己背景，选择正确的track非常非常重要！
面试准备：1，机器学习肯定是DS类面试最核心的东西，各种常见算法的原理，loss function，优化方法都应该熟练掌握，以及模型之间的对比，推荐看CS229那个课程材料就很不错，基本抓住了大部分主要的高频算法。我在学校里学的ML很偏bayesian，花了好大时间力气搞懂这套框架，但是后来面试发现很少有面试官会从这个角度发问，基本还都是focus在经典模型算法上。2，编程算法。其实我感觉DS对这个要求还挺低的，涉及不到algorithm design这种深度，能达到coding proficiency就能解决90%的面试题了。把leetcode高频100题仔细写写，再辅以联系，基本刷200道就能搞定这块面试内容。 3，Data science case，就是应用ML解决一个实际问题。这是我觉得最难把握的一部分，因为貌似都是open end case但其实面试官心里已经有答案了。这些case会带你从define problem and metrics，data cleaning and processing，features engineering，modeling and evaluation都走一遍，一定要仔细跟住面试官的引导，如果你跑遍的话面试官一般会试图把你拉回来。这里面最难的部分往往，如何在定义有价值的问题上，反而模型部分很粗梳略过。如果遇到不熟悉的场景一定要搞清楚再开始说。这块不太好准备，建议就是多做各种project熟悉流程，多看看medium上面的blog和poster开阔下眼界思路。4，简历project，这个其实也是蛮重要的一部分，很多时候解释project in a clear，logical and well-organized way是非常重要的。自己做过的pj一定要跟同学多mock，没说清楚的地方一点点改进，抓住主干忽略次要细节，准备多个短/长版本的项目介绍。5，其他，偶尔还遇到过各种跟SQL，big data，stat，ab teasing，product，behavior相关的问题，这些东西特别杂而且频率不是特别高，只能靠平时多积累。
找工途径：内推和校招肯定是坠吼的！但是LZ后来整到一月时候，该推的都找人推过了，实在没啥可推了就只能自己投了。需要注意的是DS这种岗位opening不多，不像SDE那种都有new graduate program，有时候一些JD写着要求1～2年工作经验也是可以试试的，HR还是会根据你的背景发面试。
总结下就是这个找工季LZ大概面了快20个DS相关的岗位，大概一半多是tech行业，深深感受到了这个岗位对new grad ms还是很不友好的，尤其是如果没有很强的CS背景。最后意外接了一个MLE类的offer也是特别神奇。大家在冲刺DS的时候，一定也要顺便面面各种analytics，DE之类的岗位，有时候会有意外收获。如果没有很强的学术/research背景，建议走software engineer - machine learning这条路，相对会容易一些吧。
想到啥相关的东西会补充上来的，求大米大米！
背景：之前summer在药厂里的commerce部门做DS intern，其实工作略无聊。在传统行业的DS或者tech类岗位不受重视，技术栈也跟科技公司没法比，做了一些不疼不痒的toy project，当时根本没有上线production的意识，做完之后就是画画PPT提一些建议就完事了，至于manager或者别的business stakeholder有没有人听就难说了。传统行业还存在很多这种end-to-end data scientist，从数据收集，清洗，建模到presentation都是DS在做。而在科技公司DS的岗位已经明显分化成：1，做analytics的DS，infrastructure越来越好已经极大简化了工作流程，基本会写SQL就是唯一的tech要求，而这种岗位对product/business sense的要求很高，适合有工作经验的candidate。 2，做modeling/research的DS，这种岗位bar极高，很多minimum requirement就是phd，适合建模/research背景强的大佬。3，还有一些偏engineering的岗位，已经不太像DS了，叫machine learning engineer可能更合适，面试也是以算法+ML+system design为主。搞清楚自己背景，选择正确的track非常非常重要！
面试准备：1，机器学习肯定是DS类面试最核心的东西，各种常见算法的原理，loss function，优化方法都应该熟练掌握，以及模型之间的对比，推荐看CS229那个课程材料就很不错，基本抓住了大部分主要的高频算法。我在学校里学的ML很偏bayesian，花了好大时间力气搞懂这套框架，但是后来面试发现很少有面试官会从这个角度发问，基本还都是focus在经典模型算法上。2，编程算法。其实我感觉DS对这个要求还挺低的，涉及不到algorithm design这种深度，能达到coding proficiency就能解决90%的面试题了。把leetcode高频100题仔细写写，再辅以联系，基本刷200道就能搞定这块面试内容。 3，Data science case，就是应用ML解决一个实际问题。这是我觉得最难把握的一部分，因为貌似都是open end case但其实面试官心里已经有答案了。这些case会带你从define problem and metrics，data cleaning and processing，features engineering，modeling and evaluation都走一遍，一定要仔细跟住面试官的引导，如果你跑遍的话面试官一般会试图把你拉回来。这里面最难的部分往往，如何在定义有价值的问题上，反而模型部分很粗梳略过。如果遇到不熟悉的场景一定要搞清楚再开始说。这块不太好准备，建议就是多做各种project熟悉流程，多看看medium上面的blog和poster开阔下眼界思路。4，简历project，这个其实也是蛮重要的一部分，很多时候解释project in a clear，logical and well-organized way是非常重要的。自己做过的pj一定要跟同学多mock，没说清楚的地方一点点改进，抓住主干忽略次要细节，准备多个短/长版本的项目介绍。5，其他，偶尔还遇到过各种跟SQL，big data，stat，ab teasing，product，behavior相关的问题，这些东西特别杂而且频率不是特别高，只能靠平时多积累。
找工途径：内推和校招肯定是坠吼的！但是LZ后来整到一月时候，该推的都找人推过了，实在没啥可推了就只能自己投了。需要注意的是DS这种岗位opening不多，不像SDE那种都有new graduate program，有时候一些JD写着要求1～2年工作经验也是可以试试的，HR还是会根据你的背景发面试。
总结下就是这个找工季LZ大概面了快20个DS相关的岗位，大概一半多是tech行业，深深感受到了这个岗位对new grad ms还是很不友好的，尤其是如果没有很强的CS背景。最后意外接了一个MLE类的offer也是特别神奇。大家在冲刺DS的时候，一定也要顺便面面各种analytics，DE之类的岗位，有时候会有意外收获。如果没有很强的学术/research背景，建议走software engineer - machine learning这条路，相对会容易一些吧。
想到啥相关的东西会补充上来的，求大米大米！
- 34
10条回复