上岸算法I 谈一谈大家是如何备战春招的？

拜登当选，和科技公司、美国高校以及新移民们密不可分，秃头的留学生们的春天终于来了！

如果你还未手握心仪offer又错过了2020秋招的最佳时期不如重振旗鼓迎战明年春招！

迎战春招，我该准备什么？

面试风向

或许很多人还在埋头苦刷。但殊不知，SDE的技术面试已经不再向“更难的题”进发。我们搜集了大量在2020年面试的同学反馈资料，面试考题依旧停留在以Medium至Hard难度之间，并没有因为疫情将题目门槛大大提高。题目难度相比往年几乎持平，也没有大范围出现更新，更难的算法知识。

相比较之下，近几年开始，面试对于学生的交流能力提出了更高的要求。如何在面试中准确的提问，以及表达、阐述自己的算法思想，反而成了区别面试者能力的一大因素。恰巧，这又是很多求职者忽略的部分。我们要知道，“我会写题，我能写题” 和“我是一个Productive的工程师” 之间是有很大分歧的。要做一个多产的工程师，组间、组内的交流能力显然是最重要的素质之一。

用直观的量化表达，在**一场面试中，算法能力的比重在我们看来高达60%，但剩余40%均来自于交流软技能。**假设，你需要在一场面试中得到6/10的分数才能够通过，而假设能写对所有算法题(最优解, bug free)在四场onsite面试能得6分，能准确回答所有交流问题满分4分，大部分通过的同学会落在算法部分(3 to 5) + 交流部分(2 to 3)的区间内。

另外不要忘了，人是社会动物，好的交流能力能在面试官心理上帮你提分不少。

SDE面试准备

基于以上情况，假如你的目标是能够在2021年找到一份“给sponsorship”的年薪(总)不低于100k的SDE相关工作，那以下是我们给出的建议：

首先明确自己的算法能力，要深度掌握面试的必要算法，但不要盲目追求题量。刷题对于人的算法能力提升是显而易见的，但盲目追求数量而不去总结和归类一定是事半功倍。

以下是你必须深知的算法知识：

排序(常规/拓扑)/二分法

宽度优先搜索/深度优先搜索

双指针/链表的操作

盏的运用(包含单调盏等)

队列的运用

双向队列的运用

优先队列的运用

扫描线

树的问题

（除去BFS, DFS，树的一些经典操作，遍历(当然也可以算作dfs)，序列化等）

有人可能要问为什么没有DP？

因为DP在大部分公司都不是面试要求，而且可以用DFS + 优化处理。另外在准备学习DP的时间性价比上并不高。所以不做推荐。

推荐题量？

我们推荐您在系统性的训练上述算法后，刷至400-500题即可。这些知识足够达成我们的目标。但我们还是要强调，刷题因人而异，我刷500题的体会和他刷500题的体会显然有很大区别。所以我们强调您需要“系统性”的训练算法。假如您不能在做到一题新题(假设是上述算法知识之一)，并将之迅速归类到某种算法和某种写法，我们认为您的算法知识还有缺陷。

Data方向求职策略

数据领域和SDE领域的求职非常不同，SDE领域的求职知识往往集中在算法和计算机知识等领域。而数据领域的工作，很多人却仍有迷思。Data方向包括以下岗位：数据科学家(Data Scientist)、机器学习工程师(machine Learning Engineer)、数据/产品分析师(Data/Product Analyst)、商业智能工程师(Business Intelligence Engineer)、数据工程师(Data Engineer)。除此之外，数量研究师(Quantitative Researcher)、研究/应用科学家(Research/Applied Scientist)、甚至产品经理(Product/Program Manager)等等，也能属于data方向的广义范畴。

2020年，Data方向的简历投递策略是什么？

2020年无疑是属于海投的一年，往年可能还能集中几十个大厂投递，今年只能不论公司规模和名气，三十六计投为上计。因为Data方向的岗位众多，学生在投递简历的时候，往往走了一些弯路。我们在辅导中，经常碰到的几个关于投递的误区是：

1）投得晚

这一点毋庸置疑，太多学生想等到万事俱备只欠投递的时候、才投出神圣的简历，因此白白错过了最佳的投递时机。这样的例子数不胜数。明年春招在即，建议大家早早丰富好自己的简历，准备好在1-2月疯狂地投递吧。如果自己面试准备得已经要修炼成仙了，错过了投递时机而没有拿到面试，也只是屠龙之术。

2）投得精

Data方向尤其常见这一失误。很多学生只知Data Scientist，其实还有很多岗位和DS一脉相承。既然投了Data Scientist，为什么不同时投Analyst、ML、BIE、AS等等岗位呢？这些岗位面试需要的技能点和考察的知识点，和DS有一定的overlap。公司会根据自己的headcount和招聘策略，实时调整自己在不同岗位上的招聘额度。所以扩宽自己的投递范围也是常见的应对策略。

3）投得高

又是一个Data方向的求职者容易犯得错误。有些人很迷恋一些高端大气上档次的Research Scientist，或者时下很火的Machine Learning Engineer。这里我们不是不建议投递这样的岗位，如果背景合适，当然要死命地投递。但是，同时我们还要指出的是，这一类岗位通常僧多粥少，而且竞争可能远比想象得激烈。

有些很优秀的人，因为看不到和他们一起竞争的candidate pool有多大，就只往一些难度系数最大的岗位投递。我们给出的建议是，就算对这类岗位把握极大，还是要投递一些其它的岗位来保证自己能上岸，如BI类的岗位。

其实，不论是公司，还是岗位，职业发展是长期的，这样的事情不需要追求一蹴而就。只要你上了岸，之后不论往大厂跳还是转岗，都是有很多办法的；比起因为好高骛远而上不了岸，有了H1B之后的转岗和跳槽，要容易得多得多。很多的成功实例都有survivorship bias，并不是每年毕业的人中都有那么大比例的人拿了大包，找到最适合自己的路才是最重要的。

DS 面试准备

当然，Data领域这么宽泛的范畴也意味着面试准备不能千人一面。

1）夯实基础，SQL和Python编程基本功不可丢，关于array的data manipulation要会用Python写些easy题目；

2）举一反三，侧重case study的灵活运用，现在公司越来越侧重考查数据科学中business acumen了，也就是给你一个实际的情景，如何找到相应的数据来解决问题；

3）点面结合，machine learning的基础知识要懂，更重要的是怎么将你的机器学习设计与产品需求相结合。