登录
  • #Google
  • #Apple
  • #Bloomberg
  • #Facebook
  • #Citadel
  • #Snapchat
  • #Uber
  • #Instacart
  • #求职(非面经)

1.‌‌‌‌‌‌‍‍‌‍‍‌‌‍‌‍‍‌‌‍‌‍‍‌‌‍‌‌‍‍‍‍5YOE MLE 找工小记

一亩三分地匿名7D8
3717
13
最近的招工基本告一段落,发个帖子总结分享一下好用的资源和一些公司的面试流程。

背景 某中厂1.5年经验, 之前有几个大厂实习,之前作为面试官面试过30多个candidates

Uber 1店面+1Onsite ->SDEII offer 难度中等,面的组还不错,每个人都很开心(只要不提layoff

fb 1店面 后因OPT时间问题没能继续

gg 直通Onsite -> L3 offer 难度不高, 面试体验良好。但貌似被压了等级

apple 3店面+ONSITE->ict3 offer 聊了两个组,面试数量翻倍 每个都有单独的三轮店面和ONSITE

bloomberg 两轮店面+ONSITE -> Senior engineer offer ONSITE比较轻松 只有3轮技术面 面完一小时就出结果了

tiktok 三轮店面 ->2-1offer 面试轮数最少的公司 但是每轮都是HARD而且要求直接最优解,面试官也不会主动沟通,难度拉满。

citadel 两轮店面 挂在了第二轮的BEHAVIOR 很可惜

Amazon 过店面后WITHDRAW了 听朋友说体验一般

snapchat 1店面1ONSITE 流程很快,公司不大所以非常dynamic,技术栈google全家桶,ml的跟进速度也蛮快。还在等结果。

instacart 一轮店面1onsite -> L4 offer 速度很快,公司发展很迅速。

总体来说,这次的结果还比较满意,加起来这一两个月面了60场面试,还是一笔不小的时间上的付出。

蠡口方面,到最后总共刷了大概750 多道题,面试过程中基本遇到的都是medium,有小部分公司考了Hard,但都不是写起来很费事的。所有公司都会考bfs, dfs, binary search。打好基本功还是蛮重要的,面试每个公司之前最好把tag题还是刷一下,如果考了tag不会就像高考考了原题没做出来的感觉。心态上就崩了。楼主用的python面的,apple的有个组命令要求要用c面试,剩下的都是没问题的。

behavior方面

具体有几个经典问题:

1. 冲突处理,意见分歧怎么办,什么时候去找manager,怎么做最后的决定

2. 如果给你lead一个项目你会怎样分配,如何和更高level的同事沟通

3. 之前最有Impact或者最骄傲的项目是什么,在哪里用的,如何开展和结束。

ml方面, 推荐王喆的深度学习推荐系统。 这本书里面的广度还不错,对于大多数面试里都比较好用。 system方面都google的youtube和wide&deep读透了感觉就很足够了。如果时间充足,推荐一个Youtube频道 Applied AI Course。有些ml sys design讲的还蛮好的(只是有些)。

基础方面,经常考的feature selection, imbalanced dataset, LR, RF, GBDT, evaluation metrics for classification/ranking。 如果时间更充足可以和学统计的朋友交流一下,有些简单的模型理解统计和概率的原理会对Ml basic的面试加很大的分。

system design 有些公司考了(snap,uber) ,但是对4要求都没有那么高,因为可能不指望我的yoe能有那么多实战经验。这方面推荐scott shi的Youtube频道,然后看一些dida的学习笔记,再看一下Youtube的那些sys design的频道。 找一找之前很多公司常考的题,然后自己对着题说一小时,包括Ml sys design,面试官都会很看重面试者是否能drive conversation,自己发掘问题和解决问题。 大体来讲,就是这位楼主学习的

总结:

感觉对于面试sdeii的职位相对的来讲广度比深度重要一些,最好提前对于一些经典问题演练一下,到真正面试的时候面试官刚开头就可以drive conversation,在面试官问问题之前我们已经答完了 ML的面试要比coding累很多,因为要一直说。但是人与人沟通的面试,可以观察一下面试官是否满意然后如果不满意要及时止损问清楚他期待你说的方向,面试是为了他找一个好的同事,所以面试者也可以换位思考来回答问题。希望自己的一点分享能对大家有用!
13条回复
热度排序

发表回复