分享狗家、fb面试经验
435423
最近秋招开始了，每天都在大量面人，我发现很多new grad的background都很强，但面试的时候却发挥不出来，可以理解面试时候会有紧张的情绪，尤其是一毕业就面大厂会更紧张，面试时我会尽量给一些hints，但我发现面试者一旦陷入一个错误的方向，给了hints有时候也无法扭转局面，而且也会影响其他round的发挥，尤其是转专业的弟弟妹妹们，可能更容易缺乏自信导致面试的时候发挥不好。所以我想和大家分享一下面试的一些注意的要点，如果有具体问题也欢迎问我。
简历：一般从education，work experience，leadership 和 skillsets几个方面来准备。
Education：
如果是top学校的statistics、biostats、computational math/applied math、data science等对口专业，可以直接写学校、专业、GPA( 高的话)。
如果学校一般但专业match或者学校好但专业擦边，比如management science、informational science、甚至CS，可以除了以上三点，再列一些course work，比如statistical learning, convex optimization（如果有的话）等等
如果专业很不同，比如chem、civil、material、mechanical等等，转专业的同学一定要写course work，而且精准的写出和data有关的，以下课程都是HR看的重点：probability, advanced probability, linear algebra, optimization, machine learning, statistical learning, data science, convex optimization, etc.
注意：
每个学校具体课程名字不一样，要根据实际情况写你上过的课
不要虚构，一旦HR问你要成绩单，在hiring committee里讨论你的面试表现时发现你的简历和成绩单对不上，就地死亡了就。
针对2，如果你没有相关的课这么办？
如果你现在还在读书，还有很长的时间准备，去上课！学校一般都会有几个credits用来选自己想上的但非专业内的课，好好把握。
如果你已经或者马上要毕业了，正在准备这次的秋招，时间紧，那么赶紧去open source的online course网站上去注册一些课，免费的、付费的不重要，重要的是是以上我提到的那些课，然后highlight在简历里。如果你专业不对口，课程也没上过，凭什么让HR筛简历的时候留下你呢？
Google 对于new grad要求PhD, JD上写的很清楚。如果你是master，两年后你就可以申请了
FB没有这个要求，new grad都可以申请，本科或者硕士都可以
Work experience：
突出data相关的实习、项目
按实习或者项目impact的大小、相关性、复杂性排序
列bullet points是按照这个结构提炼并highlight最有用的信息：action verb、tech skills、impact metrics、soft skills
注意：
动词时态要一致，不要一会implemented，一会analyzing
tech skill要写准确，比如什么model、什么analysis framework，不要含含糊糊太过于笼统
没有很strong的work experiment怎么办？
和course work类似，如果你还有很长时间，那么actively looking for学校各种paid或者unpaid的data research机会，这是最好的。以及实习，哪怕unpaid，眼光长远一些，经验才是最最最重要的，它是你日后找一份好工作的敲门砖，而且实习会让你接触很多第一手的industry经验，非常有帮助。
如果没有时间了，kaggle、data challenge 都是很好的机会，找一个感兴趣的topic，用他们提供的open dataset，上手从data processing开始，train-validate-test你的model，然后写进简历里，按照刚才说的结构突出四个要点。
Leadership：不要以为这一部分没有用，可有可无，leadership在Google、fb等公司里面试都是单独一轮，45min，是有严格rubric和很看重的一个方面，所以在简历上有所体现也是好的。
同working experience，按事件的impact的大小、相关性、复杂性排序
加分项：leadership和DS挂钩
列bullet points是按照这个结构提炼并highlight最有用的信息：action verb、impact（using numbers）、soft skills
比如：Partnered with 100+ professionals in various organizations, bringing out 10+ companies onboard for the DS networking event with 150+ attendees by initiating the conversation and co-hosted the event
Skillset：这一部分很standard了，你（必须）会的language：python、R、SQL。
可以加上一些software如果有：Tensorflow, MXNet, SAS, Matlab, etc
可以加上一些certificate如果有：SAS Certification、 Applied Data Science with Python Specialization、IBM Data Science Professional Certificate, etc
可以写一些你擅长的DS的领域：experiment design，causal inference，convolutional neural network，etc. 但一定是真的很熟悉，不然面试官深挖你某一项，结果说的磕磕绊绊，不如不写。比如causal inference有哪些model？每个model适用于什么情况？variables都是怎么选的？怎么validate这个model好坏？怎么quantify uncertainty？怎么interpret results？这个太具体了感兴趣的同学我们可以单独讲一下。如果这些问题你都会，那写进去是好的，如果不会，不要给自己挖坑。
再说说面试安排与结构：
公司都是按照HR screening、phone interview、onsite interview三步走的流程来的。
HR screening一般简单问一下你的背景，motivation，之前的项目经验之类的（例子），我也见过HR screening问1-3个很基础的stats问题的，比如什么是p-value，什么是confidence interval，什么是confusion matrix等等，看看你基本的stats知识。
Phone interview一般45min ～ 1h，每个公司可能有所不同，一般是比较基础的stats知识/produce case + programming。Google的stats可能多一些，FB等厂都是product case多一些。
Onsite的考点安排：
Google一共五轮，具体如下：
Data Intuition & Communication - shared Google doc
Statistical Knowledge & Communication - shared Google doc
Leadership - shared Google doc（一般用不到）
Data Intuition & Statistical Knowledge [dive into other quantitative strengths] - shared Google doc
Programming Skills - shared Google doc
FB一共五轮，具体如下：
Product Generalist - Whiteboarding
Quantitative Analysis - Whiteboarding
Tech Analysis - Coderpad
Applied Data - Whiteboarding
Product Generalist - Whiteboarding
总结来说，Google是DS中统计知识考的最多的，也是很看重的，FB统计只有一轮，而且看某论坛里的面经难度和Google的相比都不大，而且很容易考到重复的题，所以好好准备没问题。Google有两轮stats，有一轮还是比较advanced的，所以考点更多一些。
写在最后：码了这么多心得，希望能帮助到找工作的国人们。找工作不易，尤其是第一份工作，多给自己点信心。一些小的tips：
可以建立一个spreadsheet记录自己每一家公司的进度，比如哪一天投的简历，收到的回复，方便自己追踪
专门开一个邮箱找工作用，因为自己的主邮箱可能signup了很多别的邮件，容易miss掉HR的邮件，有时候不是别人没联系你而是你没及时看到
有条件的话找几个小伙伴一起准备，product sense的题目其实思路和框架很重要，stats要把握住主要的知识点。FB的stats重复性挺高的，很有可能考到原题；对于Google来说，很多学弟学妹都反映准备了那么多根本考不到原题，但其实知识点是一样的，换个情景考你而已。所以本质上要把面试的知识点掌握好，什么题都不用害怕。
码字不易，求加米！
简历：一般从education，work experience，leadership 和 skillsets几个方面来准备。
Education：
如果是top学校的statistics、biostats、computational math/applied math、data science等对口专业，可以直接写学校、专业、GPA( 高的话)。
如果学校一般但专业match或者学校好但专业擦边，比如management science、informational science、甚至CS，可以除了以上三点，再列一些course work，比如statistical learning, convex optimization（如果有的话）等等
如果专业很不同，比如chem、civil、material、mechanical等等，转专业的同学一定要写course work，而且精准的写出和data有关的，以下课程都是HR看的重点：probability, advanced probability, linear algebra, optimization, machine learning, statistical learning, data science, convex optimization, etc.
注意：
每个学校具体课程名字不一样，要根据实际情况写你上过的课
不要虚构，一旦HR问你要成绩单，在hiring committee里讨论你的面试表现时发现你的简历和成绩单对不上，就地死亡了就。
针对2，如果你没有相关的课这么办？
如果你现在还在读书，还有很长的时间准备，去上课！学校一般都会有几个credits用来选自己想上的但非专业内的课，好好把握。
如果你已经或者马上要毕业了，正在准备这次的秋招，时间紧，那么赶紧去open source的online course网站上去注册一些课，免费的、付费的不重要，重要的是是以上我提到的那些课，然后highlight在简历里。如果你专业不对口，课程也没上过，凭什么让HR筛简历的时候留下你呢？
Google 对于new grad要求PhD, JD上写的很清楚。如果你是master，两年后你就可以申请了
FB没有这个要求，new grad都可以申请，本科或者硕士都可以
Work experience：
突出data相关的实习、项目
按实习或者项目impact的大小、相关性、复杂性排序
列bullet points是按照这个结构提炼并highlight最有用的信息：action verb、tech skills、impact metrics、soft skills
注意：
动词时态要一致，不要一会implemented，一会analyzing
tech skill要写准确，比如什么model、什么analysis framework，不要含含糊糊太过于笼统
没有很strong的work experiment怎么办？
和course work类似，如果你还有很长时间，那么actively looking for学校各种paid或者unpaid的data research机会，这是最好的。以及实习，哪怕unpaid，眼光长远一些，经验才是最最最重要的，它是你日后找一份好工作的敲门砖，而且实习会让你接触很多第一手的industry经验，非常有帮助。
如果没有时间了，kaggle、data challenge 都是很好的机会，找一个感兴趣的topic，用他们提供的open dataset，上手从data processing开始，train-validate-test你的model，然后写进简历里，按照刚才说的结构突出四个要点。
Leadership：不要以为这一部分没有用，可有可无，leadership在Google、fb等公司里面试都是单独一轮，45min，是有严格rubric和很看重的一个方面，所以在简历上有所体现也是好的。
同working experience，按事件的impact的大小、相关性、复杂性排序
加分项：leadership和DS挂钩
列bullet points是按照这个结构提炼并highlight最有用的信息：action verb、impact（using numbers）、soft skills
比如：Partnered with 100+ professionals in various organizations, bringing out 10+ companies onboard for the DS networking event with 150+ attendees by initiating the conversation and co-hosted the event
Skillset：这一部分很standard了，你（必须）会的language：python、R、SQL。
可以加上一些software如果有：Tensorflow, MXNet, SAS, Matlab, etc
可以加上一些certificate如果有：SAS Certification、 Applied Data Science with Python Specialization、IBM Data Science Professional Certificate, etc
可以写一些你擅长的DS的领域：experiment design，causal inference，convolutional neural network，etc. 但一定是真的很熟悉，不然面试官深挖你某一项，结果说的磕磕绊绊，不如不写。比如causal inference有哪些model？每个model适用于什么情况？variables都是怎么选的？怎么validate这个model好坏？怎么quantify uncertainty？怎么interpret results？这个太具体了感兴趣的同学我们可以单独讲一下。如果这些问题你都会，那写进去是好的，如果不会，不要给自己挖坑。
再说说面试安排与结构：
公司都是按照HR screening、phone interview、onsite interview三步走的流程来的。
HR screening一般简单问一下你的背景，motivation，之前的项目经验之类的（例子），我也见过HR screening问1-3个很基础的stats问题的，比如什么是p-value，什么是confidence interval，什么是confusion matrix等等，看看你基本的stats知识。
Phone interview一般45min ～ 1h，每个公司可能有所不同，一般是比较基础的stats知识/produce case + programming。Google的stats可能多一些，FB等厂都是product case多一些。
Onsite的考点安排：
Google一共五轮，具体如下：
Data Intuition & Communication - shared Google doc
Statistical Knowledge & Communication - shared Google doc
Leadership - shared Google doc（一般用不到）
Data Intuition & Statistical Knowledge [dive into other quantitative strengths] - shared Google doc
Programming Skills - shared Google doc
FB一共五轮，具体如下：
Product Generalist - Whiteboarding
Quantitative Analysis - Whiteboarding
Tech Analysis - Coderpad
Applied Data - Whiteboarding
Product Generalist - Whiteboarding
总结来说，Google是DS中统计知识考的最多的，也是很看重的，FB统计只有一轮，而且看某论坛里的面经难度和Google的相比都不大，而且很容易考到重复的题，所以好好准备没问题。Google有两轮stats，有一轮还是比较advanced的，所以考点更多一些。
写在最后：码了这么多心得，希望能帮助到找工作的国人们。找工作不易，尤其是第一份工作，多给自己点信心。一些小的tips：
可以建立一个spreadsheet记录自己每一家公司的进度，比如哪一天投的简历，收到的回复，方便自己追踪
专门开一个邮箱找工作用，因为自己的主邮箱可能signup了很多别的邮件，容易miss掉HR的邮件，有时候不是别人没联系你而是你没及时看到
有条件的话找几个小伙伴一起准备，product sense的题目其实思路和框架很重要，stats要把握住主要的知识点。FB的stats重复性挺高的，很有可能考到原题；对于Google来说，很多学弟学妹都反映准备了那么多根本考不到原题，但其实知识点是一样的，换个情景考你而已。所以本质上要把面试的知识点掌握好，什么题都不用害怕。
码字不易，求加米！
- 129