关于FB PhD ML 实习的完全指南
3418597
这篇文章不仅仅是我的内推安利贴，更是一份guideline, 希望对各位PhD有帮助。
写这篇文章的起因是我的FB内推名额还剩45个, 我想在剩下的名额里尽可能多的命中。我仔细想了想，什么样的人最能够过FB的简历关？答案是有着N年经验的资深工程师，和正处在最后一两年寻找实习的PhD。资深工程师可遇不可求，拿到了offer也不一定来，但实习后的PhD，return率可是超高的。于是我冒出一个刺激的想法，我要在现在播种，写下这篇针对FB PhD ML实习的完全指南，九月份的时候我会回来内推"收割"。 首先说明，本人并没有任何私密资料和机密，所有经验都源于我自己求职过程的体会。
FB PhD ML实习(以下简称ML实习), 并不需要有CS PhD和相关文章，因为这毕竟是工程岗位。这可能是我见过最好拿面试和return offer，对转专业PhD最友好的岗了。那什么样的PhD是我比较看好的呢？
满足以下几个条件之一
1. CS/ECE PhD 做ML的科研
2. 理工科PhD 做跟ML沾边的科研并且修了至少机器学习和深度学习的校内课
3. 理工科PhD 没有跟ML沾边的科研，但辅修了校内 cs master或者佐治亚理工的online cs master
对于非ML PhD，非常大的加分点是辅修了校内 cs master或者佐治亚理工的online cs master。
这样的条件，FB大概率会给过简历关，我也是会在实习岗位开启之后优先内推这些朋友。不过我还有一点硬性要求，这纯粹跟拿bonus有关，那就是PhD正处在最后一两年的，希望通过这次实习拿return offer而不是return intern。 实习岗位会在九月初开启，面试我建议预约到十月到十一月，早了可能还没有准备好，晚了可能hc不足。从现在三月开始算到十一月，还有8个月时间，背景是很难提升的，不具备的朋友可以自己想办法在接下来的PhD生涯里提升相关背景。
如果已经具备上述条件的朋友，接下来需要做的准备就是算法和ML知识夯实。我判断刷题多少的标准是FB近六个月leetcode tag题的题量。我会优先内推刷了300+的朋友， 最低标准是150。如果你是在三月份看到我的这篇文章，那么我相信8个月的准备时间是足以刷到300的。需要特别强调的是，我建议大家把每道高频题，刷三遍以上，刷到闭着眼睛就能看到整个代码为止。我明白PhD会没日没夜的做科研，很难挤出时间刷题。但如果你既没有时间又没有背景，那该拿什么跟其他人拼呢？我有很多朋友会问该刷多少题，我说最好300，他们都会望而却步，转而去申请Data Scientist了, 事实上Data Scientist的简历关筛选比这个岗位严苛更多。说到这，我最钦佩的是物理PhD，每个读物理的朋友都是怀揣着梦想，当最后梦想幻灭转而只能去寻温饱时，他们会爆发巨大的能量，把所有激情都扑到刷题上。只要我说刷题比量子力学简单太多的时候，他们就会信心十足地去肝。
ML实习的算法面试分为连续两轮，每轮45分钟，中间15分钟休息时间，每轮需要平均解答两道题，可能会有follow up问题。在练习时，建议大家尽量做到可以口述整个过程，明晰每一道题的复杂度和时间空间的分别最优解。不需要写树一类简单的class，简单描述一下就好(除非面试官要求你写）, 有可能面试的时候不让你按“RUN"的按钮跑程序，反倒是让你逐字逐句的过一遍写好的算法。test case有可能会让你自己想，也有可能面试官会给出，自己想的话建议一定要先考虑edge case，比如空集的情况。算法训练是很痛苦的，但平摊到8个月不算多，贵在坚持。
两轮算法之后会是team match的过程，这一步会和2到3个team聊天，对方可能会考察你的推荐系统/机器学习基础/case study。如果其中任一组觉得match，就会发offer。这一部分，我建议先夯实自己的ML基础，可以去过一遍李航的统计学习方法。 更具体的建议我只会给经过我内推之后拿到team match的朋友(这也是我这个时候播下种子的意义嘿嘿)。也请大家不要在此私信我索取进一步的建议，先刷好题才是最重要。整个内推过程是无偿的，我真的只收公司发的bonus!!
ok，朋友们，九月份我会再来的~祝各位PhD一切顺利！
补充内容 (2021-08-19 06:57 +8:00):
如今春天种下的种子应该发芽，我回来内推了！
邮件主题： 姓名 - PhD学校 - 专业 - leetcode FB近六个月tag题量
发邮件到： 1point3acres.com
邮件附件：
1 pdf格式简历
2 最好截图给我你刷题情况(最好是FB tag界面的题目)
3 第三人称描述
补充内容 (2021-11-19 02:58 +8:00):
今年的内推就到尾声了，内推简历的成功率非常高，一共有九个人拿到了offer，还有多个在面试。也成功验证了越早投的人越容易拿到offer，早期投的同学，一个是准备充分了，就算简历再烂，hr也会先让你试试。
写这篇文章的起因是我的FB内推名额还剩45个, 我想在剩下的名额里尽可能多的命中。我仔细想了想，什么样的人最能够过FB的简历关？答案是有着N年经验的资深工程师，和正处在最后一两年寻找实习的PhD。资深工程师可遇不可求，拿到了offer也不一定来，但实习后的PhD，return率可是超高的。于是我冒出一个刺激的想法，我要在现在播种，写下这篇针对FB PhD ML实习的完全指南，九月份的时候我会回来内推"收割"。 首先说明，本人并没有任何私密资料和机密，所有经验都源于我自己求职过程的体会。
FB PhD ML实习(以下简称ML实习), 并不需要有CS PhD和相关文章，因为这毕竟是工程岗位。这可能是我见过最好拿面试和return offer，对转专业PhD最友好的岗了。那什么样的PhD是我比较看好的呢？
满足以下几个条件之一
1. CS/ECE PhD 做ML的科研
2. 理工科PhD 做跟ML沾边的科研并且修了至少机器学习和深度学习的校内课
3. 理工科PhD 没有跟ML沾边的科研，但辅修了校内 cs master或者佐治亚理工的online cs master
对于非ML PhD，非常大的加分点是辅修了校内 cs master或者佐治亚理工的online cs master。
这样的条件，FB大概率会给过简历关，我也是会在实习岗位开启之后优先内推这些朋友。不过我还有一点硬性要求，这纯粹跟拿bonus有关，那就是PhD正处在最后一两年的，希望通过这次实习拿return offer而不是return intern。 实习岗位会在九月初开启，面试我建议预约到十月到十一月，早了可能还没有准备好，晚了可能hc不足。从现在三月开始算到十一月，还有8个月时间，背景是很难提升的，不具备的朋友可以自己想办法在接下来的PhD生涯里提升相关背景。
如果已经具备上述条件的朋友，接下来需要做的准备就是算法和ML知识夯实。我判断刷题多少的标准是FB近六个月leetcode tag题的题量。我会优先内推刷了300+的朋友， 最低标准是150。如果你是在三月份看到我的这篇文章，那么我相信8个月的准备时间是足以刷到300的。需要特别强调的是，我建议大家把每道高频题，刷三遍以上，刷到闭着眼睛就能看到整个代码为止。我明白PhD会没日没夜的做科研，很难挤出时间刷题。但如果你既没有时间又没有背景，那该拿什么跟其他人拼呢？我有很多朋友会问该刷多少题，我说最好300，他们都会望而却步，转而去申请Data Scientist了, 事实上Data Scientist的简历关筛选比这个岗位严苛更多。说到这，我最钦佩的是物理PhD，每个读物理的朋友都是怀揣着梦想，当最后梦想幻灭转而只能去寻温饱时，他们会爆发巨大的能量，把所有激情都扑到刷题上。只要我说刷题比量子力学简单太多的时候，他们就会信心十足地去肝。
ML实习的算法面试分为连续两轮，每轮45分钟，中间15分钟休息时间，每轮需要平均解答两道题，可能会有follow up问题。在练习时，建议大家尽量做到可以口述整个过程，明晰每一道题的复杂度和时间空间的分别最优解。不需要写树一类简单的class，简单描述一下就好(除非面试官要求你写）, 有可能面试的时候不让你按“RUN"的按钮跑程序，反倒是让你逐字逐句的过一遍写好的算法。test case有可能会让你自己想，也有可能面试官会给出，自己想的话建议一定要先考虑edge case，比如空集的情况。算法训练是很痛苦的，但平摊到8个月不算多，贵在坚持。
两轮算法之后会是team match的过程，这一步会和2到3个team聊天，对方可能会考察你的推荐系统/机器学习基础/case study。如果其中任一组觉得match，就会发offer。这一部分，我建议先夯实自己的ML基础，可以去过一遍李航的统计学习方法。 更具体的建议我只会给经过我内推之后拿到team match的朋友(这也是我这个时候播下种子的意义嘿嘿)。也请大家不要在此私信我索取进一步的建议，先刷好题才是最重要。整个内推过程是无偿的，我真的只收公司发的bonus!!
ok，朋友们，九月份我会再来的~祝各位PhD一切顺利！
补充内容 (2021-08-19 06:57 +8:00):
如今春天种下的种子应该发芽，我回来内推了！
邮件主题： 姓名 - PhD学校 - 专业 - leetcode FB近六个月tag题量
发邮件到： 1point3acres.com
邮件附件：
1 pdf格式简历
2 最好截图给我你刷题情况(最好是FB tag界面的题目)
3 第三人称描述
补充内容 (2021-11-19 02:58 +8:00):
今年的内推就到尾声了，内推简历的成功率非常高，一共有九个人拿到了offer，还有多个在面试。也成功验证了越早投的人越容易拿到offer，早期投的同学，一个是准备充分了，就算简历再烂，hr也会先让你试试。
- 239