分享 如何找加拿大CS/MLE相关工作
1800255
我去年决定放弃留在美国，来加拿大。看到有不少地里朋友有类似的困惑，比如怎么加拿大工资这么低，怎么找到相对高收入的工作，怎么能够拿到LMIA等。这里分享一下CS找工作的一些体会。
这里不聊的是为啥我选加拿大，也不聊具体多少工资（NDA，我只能告诉比在美国的时候工资高）。另外，猎头的联系方式抱歉我想告知。这里只有方法和过程。
去年我决定离开美国的时候，有小3年大厂经验，也包括做Vendor一年。找工作过程还是蛮难。
我的目标是除了美国之外有好的工作机会的地方，所以当时锁定了国内、日本、英国、德国、加拿大。从网上的调研看，每个地方面试侧重点也不一样。
- 国内考算法难度蛮大，要非常快速的写hard题解，还有很多机器学习模型基础问答，考点注重业务经验，也会涉及大数据的原理（比如Spark shuffle的过程，如何调优处理小文件问题）。没有看到考系统设计。
- 加拿大、日本等其他地方面试的主要是国际公司，所以和美国的面试差不多，算法+系统设计，MLE额外还有ML系统设计（比如设计推荐系统）
我大概脱产准备了1个半月，开始投递简历。我的经验：
- 不要海投，优先找猎头和内推，尤其是加拿大，公司一般招人会优先从内部招，其次是内推，最后才会看外部候选人。而且海投大概率你会被机器人刷掉。但猎头的消息非常灵通（他们有客户关系），而且猎头可以帮你节省大把时间，找到匹配的职位。还有如果面试遇到问题，可以利用猎头去影响决策，包括后面谈工资，有第三方出面你完全不用担心和雇主撕破脸皮。我当时使用谷歌搜索了蛮久，一家家的发了邮件询问，也找了自己的朋友推荐猎头，最后大概联系了5家。（注意：找到的猎头一分钱不需要你花，是雇主出钱）。
- 面试过程也出现过一些问题，当时无论国内、加拿大、还是日本的猎头都蛮给力，没有面好的帮忙换组接着安排面试，也有帮忙申请福利和工资（比如LMIA / Work Permit/ EE等）
- 我自己也有尝试过直接找公司HR，不过效果不是很理想就放弃了（时间投入产出不好）。
关于薪水: 加拿大的平均薪水开始的时候也让我打退堂鼓，听说毕业生才7万加币。不过实际找工作是完全不一样的，别用市场平均数去衡量自己，尤其如果你有大厂经验的话。要拿到主动权，你需要有多个Offer 去Compete，这样会有非常大的选择空间，不仅体现在薪水、股票，也包括身份申请、搬家等各种福利。我后来也有朋友来了加拿大，经验和技术都蛮强，但就是没有Compete Offer，议价空间就比较难。当时几个猎头都怕自己丢单子，拼命去申请更好的机会和薪水（心里蛮感激和也蛮愧疚）。
关于身份，如果还不够分走EE，加拿大的雇主会提供律师来协助办理Work Permit。一年后可以ECE用LMIA加分来走EE。建议尽早考雅思G。
------------------------
下面是一些我自己用过的找MLE工作资源：
- 刷题：我上过九章算法强化班、高频班，也爱偶尔打打周赛，后来刷过LeetCode一段时间，感觉还好，不过面国内的时候还是很紧张，需要很快写出来，还是需要熟练
- 系统设计：我之前的经验会接触到一些微服务架构，自己看了Educative.io的课，模拟画了不少的图，后来跟九章系统设计课又走了一遍，选的课主要是为了节省自己时间。而且觉得自己不是很聪明，喜欢看视频学习。另外，蛮推荐Udemy，尤其上Kafka的课程对解耦设计很有帮助。
- ML系统设计：这个90%考推荐系统，我看了Educative.io的ML System Design，但觉得太粗浅了，很多实施细节没有讲到，于是自己尝试去画大概的设计是怎样的，比如如何扩展深度学习的服务。工具需要知道Airflow / MLflow 等（要知道设计的架构原理，起码知道有哪些Components，Scheduler的算法还是需要知道的），加上平时工作会用到Docker和K8s来部署。
- ML模型：基本概念肯定得秒答，什么L1/L2有什么区别、优劣势？SVM的Core各种使用？Imbalanced data如何处理？如何搞定Overfit？还有不用调包手写常见的loss function、K-means，复杂一点的像xgboost的loss原理（泰勒展开）也有考到。深度学习我感觉考的比较多的是vanish grad怎么解决，adam优化是什么。复习方法我是自己在国内牛客网、还有谷歌搜索，然后整理了一大串的面试问题，然后一个一个搜索，不懂的就请教别人一点点弄通的。我也找过蛮久的针对性课程，但很可惜没有。。Udemy的太粗浅，书本上的信息太多，没有那么多时间筛选。倒是Youtube上搜中文能找到不少华人做的模型推导视频，我感觉很有帮助。
另外，有的公司会发送一个Assignment，给一周的时间完成，可能是一个spark job（可能是我在简历有写scala，所以有的公司要求我使用scala）的大数据小项目，让你对一个非常紊乱的数据进行统计分析，或者建模。也可能是一个机器学习的Assignment，需要做预测。
- 大数据工具。有的公司会考，尤其国内的，因为他们的技术栈会用到Spark/Flink等，我主要是看知乎别人总结的架构，了解Spark基本原理，比如有哪些工作方式，reduce的过程和hadoop mapreduce有什么不一样，还有看了美团的技术博客（真的很赞）总结了很多Spark调优的技巧，比如如何设置CPU数量、缓存策略，以及如何处理不平衡数据的问题（比如大表join小表)。
关于MLE的一些澄清：很多学Data的朋友会问，怎么找MLE的工作？其实我每次聊了比较深入后，发现不少人对MLE有误解。首先，如果是想做模型的应用，比如调参，设计新模型，那么更适合你的是Applied Scientist或者Researcher。MLE在公司要解决的是把模型转换为profitable的产品，所以更多是工程问题而不是研究问题（可能有的公司会有点差别）。MLE首先是SDE，再加上ML的背景，有统计当然更好，但不是必须的，所以公司更愿意招SDE, ML。 我自己是学统计出身，后来工作过程发现想去的MLE其实更多需要解决工程问题，所以决定重新一点点学CS，包括底层、架构，还有各种工具的使用。
就分享到这里，希望能帮助需要的朋友少走一些弯路。
最后，祝大家好运，疫情早日过去。
这里不聊的是为啥我选加拿大，也不聊具体多少工资（NDA，我只能告诉比在美国的时候工资高）。另外，猎头的联系方式抱歉我想告知。这里只有方法和过程。
去年我决定离开美国的时候，有小3年大厂经验，也包括做Vendor一年。找工作过程还是蛮难。
我的目标是除了美国之外有好的工作机会的地方，所以当时锁定了国内、日本、英国、德国、加拿大。从网上的调研看，每个地方面试侧重点也不一样。
- 国内考算法难度蛮大，要非常快速的写hard题解，还有很多机器学习模型基础问答，考点注重业务经验，也会涉及大数据的原理（比如Spark shuffle的过程，如何调优处理小文件问题）。没有看到考系统设计。
- 加拿大、日本等其他地方面试的主要是国际公司，所以和美国的面试差不多，算法+系统设计，MLE额外还有ML系统设计（比如设计推荐系统）
我大概脱产准备了1个半月，开始投递简历。我的经验：
- 不要海投，优先找猎头和内推，尤其是加拿大，公司一般招人会优先从内部招，其次是内推，最后才会看外部候选人。而且海投大概率你会被机器人刷掉。但猎头的消息非常灵通（他们有客户关系），而且猎头可以帮你节省大把时间，找到匹配的职位。还有如果面试遇到问题，可以利用猎头去影响决策，包括后面谈工资，有第三方出面你完全不用担心和雇主撕破脸皮。我当时使用谷歌搜索了蛮久，一家家的发了邮件询问，也找了自己的朋友推荐猎头，最后大概联系了5家。（注意：找到的猎头一分钱不需要你花，是雇主出钱）。
- 面试过程也出现过一些问题，当时无论国内、加拿大、还是日本的猎头都蛮给力，没有面好的帮忙换组接着安排面试，也有帮忙申请福利和工资（比如LMIA / Work Permit/ EE等）
- 我自己也有尝试过直接找公司HR，不过效果不是很理想就放弃了（时间投入产出不好）。
关于薪水: 加拿大的平均薪水开始的时候也让我打退堂鼓，听说毕业生才7万加币。不过实际找工作是完全不一样的，别用市场平均数去衡量自己，尤其如果你有大厂经验的话。要拿到主动权，你需要有多个Offer 去Compete，这样会有非常大的选择空间，不仅体现在薪水、股票，也包括身份申请、搬家等各种福利。我后来也有朋友来了加拿大，经验和技术都蛮强，但就是没有Compete Offer，议价空间就比较难。当时几个猎头都怕自己丢单子，拼命去申请更好的机会和薪水（心里蛮感激和也蛮愧疚）。
关于身份，如果还不够分走EE，加拿大的雇主会提供律师来协助办理Work Permit。一年后可以ECE用LMIA加分来走EE。建议尽早考雅思G。
------------------------
下面是一些我自己用过的找MLE工作资源：
- 刷题：我上过九章算法强化班、高频班，也爱偶尔打打周赛，后来刷过LeetCode一段时间，感觉还好，不过面国内的时候还是很紧张，需要很快写出来，还是需要熟练
- 系统设计：我之前的经验会接触到一些微服务架构，自己看了Educative.io的课，模拟画了不少的图，后来跟九章系统设计课又走了一遍，选的课主要是为了节省自己时间。而且觉得自己不是很聪明，喜欢看视频学习。另外，蛮推荐Udemy，尤其上Kafka的课程对解耦设计很有帮助。
- ML系统设计：这个90%考推荐系统，我看了Educative.io的ML System Design，但觉得太粗浅了，很多实施细节没有讲到，于是自己尝试去画大概的设计是怎样的，比如如何扩展深度学习的服务。工具需要知道Airflow / MLflow 等（要知道设计的架构原理，起码知道有哪些Components，Scheduler的算法还是需要知道的），加上平时工作会用到Docker和K8s来部署。
- ML模型：基本概念肯定得秒答，什么L1/L2有什么区别、优劣势？SVM的Core各种使用？Imbalanced data如何处理？如何搞定Overfit？还有不用调包手写常见的loss function、K-means，复杂一点的像xgboost的loss原理（泰勒展开）也有考到。深度学习我感觉考的比较多的是vanish grad怎么解决，adam优化是什么。复习方法我是自己在国内牛客网、还有谷歌搜索，然后整理了一大串的面试问题，然后一个一个搜索，不懂的就请教别人一点点弄通的。我也找过蛮久的针对性课程，但很可惜没有。。Udemy的太粗浅，书本上的信息太多，没有那么多时间筛选。倒是Youtube上搜中文能找到不少华人做的模型推导视频，我感觉很有帮助。
另外，有的公司会发送一个Assignment，给一周的时间完成，可能是一个spark job（可能是我在简历有写scala，所以有的公司要求我使用scala）的大数据小项目，让你对一个非常紊乱的数据进行统计分析，或者建模。也可能是一个机器学习的Assignment，需要做预测。
- 大数据工具。有的公司会考，尤其国内的，因为他们的技术栈会用到Spark/Flink等，我主要是看知乎别人总结的架构，了解Spark基本原理，比如有哪些工作方式，reduce的过程和hadoop mapreduce有什么不一样，还有看了美团的技术博客（真的很赞）总结了很多Spark调优的技巧，比如如何设置CPU数量、缓存策略，以及如何处理不平衡数据的问题（比如大表join小表)。
关于MLE的一些澄清：很多学Data的朋友会问，怎么找MLE的工作？其实我每次聊了比较深入后，发现不少人对MLE有误解。首先，如果是想做模型的应用，比如调参，设计新模型，那么更适合你的是Applied Scientist或者Researcher。MLE在公司要解决的是把模型转换为profitable的产品，所以更多是工程问题而不是研究问题（可能有的公司会有点差别）。MLE首先是SDE，再加上ML的背景，有统计当然更好，但不是必须的，所以公司更愿意招SDE, ML。 我自己是学统计出身，后来工作过程发现想去的MLE其实更多需要解决工程问题，所以决定重新一点点学CS，包括底层、架构，还有各种工具的使用。
就分享到这里，希望能帮助需要的朋友少走一些弯路。
最后，祝大家好运，疫情早日过去。
- 179