我的非计算机科班好友，斩获了十几个 offer

大家好，我是归辰。结束秋招已经很长一段时间了，如今也已经入职，应公子龙邀请来分享一些秋招面试心得，希望能帮助到学弟学妹们，让大家未来的面试（甚至不是互联网方向）更加顺利。毕竟自己也是曾经站在巨人的肩膀上，得到过一些帮助，受益匪浅。但本人水平有限，希望更多的是一起提升来成为更好的自己。

先说一下自己的背景，C9硕，非科班，主要兴趣在于搜索推荐与机器学习方面，但秋招投递的公司和行业分布比较广泛，这可能是刚开始的时候没决定好和专业的原因（请勿模仿），但每个人的精力都是有限的，建议还是只专注于一个行业比较好。这样说并不意味着不鼓励多出去看看外面的世界～

秋招一共面过互联网、教育、金融领域的十几家公司，侥幸地在以上的领域都拿过不错的offer，其中曾由于一些精力上的原因放弃过几家外企的面试。

在这里想说几句比较实在的话，每个人都会经历毕业与就业，而这两者只是人生中两个具有纪念意义的节点之一，并不会因为暂时的失利与苦难而影响人生的整盘大棋，想要成为更好的自己都更应该努力拥有自强不息的精神，在仰望星空的同时更得脚踏实地，这样才能不断地突破认知上限。

本文仅从制定计划、经验心得、自我成长来简单分享下对大家有用的东西。每个人都有自己擅长的技能和独立的思想，不一定以我的为参考，本文仅作分享，如有不足之处，欢迎指出。

几点建议： 

1. 多出去看看走走，能收获很多不一样的东西。

2. 注重积累，持续学习。

3. 保持谦逊，保持自由。

4. 不吝啬鼓励与成就他人。

5. 常怀敬畏之心，敬畏一切。

制定计划

大多数情况下如果想要把一件事做好，那就得提前准备，也就是制定合理的计划。本着工欲善其事，必先利其器的方法论，建议大家都尽可能早地去做一些准备，尤其是非科班的同学，如果能尽早地参与一场数据科学比赛或者一份实习是极好不过的了。

明确目标

首先先尽可能地定位好自己未来想去哪个行业以及哪种性质的岗位，当然这不是一件简单的事，大多数人还未进入不惑之年，处于信息极其不对称的大环境下，那么就慢慢地等着生活来push你前进吗？

不！当然应该主动地折腾去让自己经历一些有价值有意义的事，最终就慢慢提升了自我评判的能力以在未来去做出适合自己的选择。目前都有哪些获取信息的渠道呢？比较靠谱的可以是认识的师兄师姐，其它还有公司官网、论坛、知识平台和公号等。让我们回到主题，以互联网的算法岗为例，对于公司的选择，其实往往大公司基础设施都非常完善，没有那么多需要重新从0到1的过程，而小公司尤其是创业公司往往有着极速发展的业务，需要大量的人才来开辟新战场，这个过程能积累非常多宝贵的工业经验，所以新人如果既想稳定又想得到不少的锻炼去介于这两者之间的公司比较好；而其中的算法岗又分为好多种，很多都是公司根据自身的需求和战略而分化的，对于这方面的选择也是因人而异，如果在读书阶段有一定的论文成果或者自身有较好的研究能力会倾向于选择研究性质的算法岗，一般这种岗位存在于各公司的AILab中，更多是进行基础研究并为业务部门服务，另外一种纯业务的算法岗几乎就是基本在和业务打交道，这样研究能力就要求不会像前者那么高，当然还有介于这两者之间的岗位，也更适合于研究能力与业务能力比较均衡的同学，所以选择还是很多的，具体的选择应该根据自己的实际能力和兴趣来进行抉择，而不是跟风盲目选择，这样只会让内卷更严重。

务实基础

对于在互联网方向求职的同学，扎实的编程能力就是基础中的基础，目前各大公司对候选人这方面的原生能力的要求可以说是水涨船高，举个例子，某视频公司在算法实习生的面试中对代码要求必须写出最优解，不然就下一个，要求之高，可见一斑。这里给出一张算法工程师的技能导图，可以较清晰地看到算法工程师需要具备的基础能力。

想要打好基础，其实只有一条路，那就是尽早地训练，当然也不排除一些天赋异禀的选手，可能在短时间内就能达到常人花了很久才有的水平。训练也要有针对性的训练，比如先选好技术栈，然后再是了解一些相关理论(操作系统和网络)，此时理论深度不需要很深，理解即可，更多的是为编程训练做好铺垫，理论的巩固和加深需要后期与编程一起加强才能更好地理解。编程的训练如果只是为了应付面试比较注重一个及时性，即在面试前不久的一段时间里积极备战，这样积累的知识不容易被遗忘，但对于热爱编程的人绝不会临时抱佛脚，而是把编程贯穿于生活的始末，自然地，这样的人通常解决问题能力非常强，也只能用卓越来形容。

和上面的同等重要的基础是数学基础无疑了。对于想要了解模型的底层逻辑，优化算法性能的工程师，线性代数、高等数学、概率论都是必备的基础知识。比如在计算损失函数时，一般要加入正则化的范数项，那么各种范数的计算公式是否还记得？还有贝叶斯估计的基本假设的原理、相关性系数与协方差计算区别以及各种概率分布的形式。这些都是在面试中会经常问到的，如果问的更深一些，那就是优化方面的各种优化方法具体原理，要放在应用中可能会问softmax和tfidf数值稳定性问题。总的来说，这块也需要平时的积累，这决定了你的底层逻辑思考能力。

另一方面的基础和自己将要从事的领域有关，如果是算法岗，那么就得熟知机器学习相关的理论和方法，这个在正常毅力下完全可以通过有计划地整理复习掌握的。来源资料获取的渠道和门槛非常低(全民AI绝不是空穴来风)，可分为学习资料和面试资料两类，学习资料可从课程网站、书籍、博客来获取，面试资料可从招聘网站、书籍、博客、公号来获取，但这里强烈推荐几本书：西瓜书《机器学习》、小蓝书《统计学习方法》、花书《深度学习》和《百面机器学习》。都说搜索引擎用得好，老师再也不用担心我的学习哈哈。

在这里要强调的一点是理论记在脑子里还远远不够，要注重公式的推导以及代码的实现，举个例子，如果面试官让你实现BP过程，你只记得大概的流程但是细节都忘了，那就基本得换下一题了，此时假如你还记得如何推导，自然就可以先写出每一层的梯度表达式，再慢慢实现整个过程，这个过程哪怕最终花费的时间比较久也会给面试官留下很好的印象。

项目经验

有了扎实的底层基础后，那就要往上搭积木，也就是各种花样的项目了，毕竟工业界普遍更欣赏有一定项目经验的人。有对口项目的实验室可以说是很多人向往的了，毕竟可以把更多的时间用来做科研，同时如果有幸能发paper那更是在求职中的巨大优势。很多人会问了实验室没项目该去哪找项目做。门槛较低的应该是比赛了，目前国内外有很多有名的数据科学竞赛平台，比如Kaggle、天池、数据城堡等都可以关注一下，每年都会发布各种各样的比赛，总有自己感兴趣且入手门槛较低的一个，然后可以认识些靠谱的队友完整地参加一个比赛，不断积累经验，形成良性循环，最大的好处是能看到别人优秀的Kernel，以此可以较快熟悉Pipeline，也能积累一些业务能力。

如果想更进一步提升自己的工程和业务能力，那就得考虑找一两份靠谱的实习，因为无论是实验室的项目还是比赛，和工业界真正的要求区别还是很大的，因此有实习最好去实习，这样一方面能提前熟悉工业界的流程并为求职增添较强的竞争力，另一方面提前准备面试也是打破自己舒适区的一种方式，可以更清楚地认识自己的不足在什么地方，再以此去弥补，持续精进。

经验心得

个人曾多维度求职，即不同的领域。并都拿过各自领域头部公司不错的offer，也有幸认识了一些各行各业优秀的同学。经过思想的碰撞后有了简单的总结，发现其实各行各业对人才的招聘要求看似非常不同，其实对候选人的通用能力，也就是学习能力的要求是类似的，因为往往无论什么行业在他们看来，优秀的人才一定是学习能力极强且有着交叉复合背景的。举个简单的例子，IT技术强的人并不一定在互联网才能证明自己，也可以在金融领域的面试中脱颖而出，也就是说不一定要科班出身，有这方面的能力公司照样会不惜一切代价录用你。

另外一定要在求职前规划出一份详细的时间表，这对于要进行海投的同学来说是极其重要的，哪怕不准备这样做的同学也最好制作一份，可以提升求职效率。下面就介绍一下我在各个行业的心路历程。

互联网

互联网领域的校招一般分为春招和秋招，而且互联网的招聘每年都特别早，比传统行业要早得多，所以想要在校招中有较好收获的同学一定要格外注意节奏。以春招为例，一般在每年3月份之前就得准备了，为的是争取6月份左右开始的暑期实习，往往这可以转正，大大减小秋招求职的压力与风险；以往都是7月份左右比较适合准备秋招，而在这两年来看，在5月份就得开始准备了，可见很多公司都将校招大幅提前了，这对学生来说也是一个不小的挑战。

个人建议最好参加提前批，尽量避免正式批，提前批里很多公司相对降低了笔试的难度，所以拿到offer的概率相对较大；还有投递简历的时候一定要找个靠谱的师兄师姐内推，如果是认识的人那就更好了，好处你懂的～互联网面试重在考察基础和对技术的掌握能力，如果之前踏踏实实地把理论和简历上的项目复盘过几遍的话，同时认真地把每一场面试都当作是一次提升能力的机会，并且面完后针对性地进行复盘总结，一般会越面越好且大概率地走到比较后面的流程，其它的就随缘吧。关于去处的选择建议在前面已有过简单介绍，这里就不再展开。简而言之，用心准备了，技术面试也没那么难。

金融

金融领域的校招相对比较晚，这方面的公司就比较看重学历，毕竟是处于鄙视链顶端的行业。相对互联网来说，对技术的要求往往没有那么高，但是还是存在一些少数的公司比如私募。同样校招也要尽可能地早投递早联系靠谱的人内推，因为往往你的竞争对手更多是来自海外的留学生，留学生在求职金融公司时具备天然的优势，而且也确实能在国外的教育体系中培养得到业界更看好的能力，这里就不展开细讲了。

笔面试风格和内容也和互联网相去甚远，笔试会考察投资交易方面的策略实现和一些智力题，面试比较注重基础，如果是量化岗的话就会考察比如高数、线代和随机过程等，而且还会考察你对一个实际抽象问题的发散能力；接着才可能会问些业务中具体问题，比如策略回测实现的过程和中高频/高频交易中如果要对某些因子进行预测可以怎么做等。

整个过程面试轮数不固定，具体看候选人表现，可以说是套路比较深的领域了，加上面试官水平也都非常高，但是如果幸运的话有一两轮表现得不错离成功也就非常近了，对于数学够好的同学不失为一种很好的选择。

个人建议求职该领域时务必事先精读比如《打开量化投资的黑暗》来快速掌握一些专业相关的基础知识，还有好好看下(《Quant Job Interview Questions And Answers》与《A Practical Guide to Quantitative Finance Interviews》)可以帮助在笔面试中更从容应对，和其它一些干货(主要是社区网站，比如优矿、BigQuant和Quantopian等)可在里面多多实践，能帮助深刻理解具体业务，同时也得巩固好数学基础，其次就是调整好心态，展现自己的优势就好了，因为招人不多。在这里比较推荐的公司为私募类型中实力比较强悍的九坤、幻方、明汯和元盛等。

 

教育

教育领域的校招有些很早，有些很晚。比较早的通常是和公立模式类似的私立教育集团，晚的是公立学校和在线教育类公司。难度一般是私立>公立>在线教育，而且现在国内的大学以前教育形势出现了少数私立学校聚集顶尖师资的局面，这必然会吸引到不少尖子生，这样的师资一般是指竞赛教练/学科名师。

该领域也是非常看重学历，其次也非常看重比赛经历。在求职时身边好像基本没有遇到过不是C9的，然后和你一块求职的可能还都是高中时拿过各种学科比赛一等奖的，具体来说教育领域要求的是更偏底层和基础的能力，而这个也很难改变现状，很拼硬实力，该领域对有这方面比赛经历的同学是非常好的机会。

前面说到求职该领域最好是有这方面的基础。无论是私立公立还是在线教育流程是差不多的，都分笔面试，有所了解的人可能知道私立笔试感觉和互联网一样粗暴，直接上奥赛题，难到吐血那种，不过还是有些大佬一小时秒完的。想要做得好只能复习下高中知识(高中学科竞赛题)了哈哈。如果你认为笔试到这里就结束了那你就错了，压轴好戏还在后头。老师会现场教授一个新的知识点并现场出题，让候选人求解，考验候选人的知识快速接受能力，整个节奏和过山车无异。

面试先群面再单面，群面需要抢答，主要侧重于候选人与岗位的匹配程度，这考验了临时组织语言能力，如果能在短时间内作一个足够吸引面试官的自我介绍是相当不错的；单面比较注重候选人对高中知识掌握的广度和深度，还会问些价值观与规划之类的问题，建议在面试时能尽可能地展示自信和实力，哪怕是自己回答不上来，也要将面试官注意力引到自己擅长的点上。一般私立在面试中不太要求现场讲题，但公立与在线教育大多都会要求事先准备PPT以考验现场讲题能力，这块的准备最好平时多训练，如果有这方面的经历会是很大的优势。感兴趣的同学可以了解一下这方面比较有名的海亮集团。

自我成长

成长，其实是一件非常重要的事情，无论何时何地，都应该被重视。无论是经历了科研的历练还是校招的洗礼，甚至是在社会中摸爬滚打多年，成长一直伴随着我们。从小白到大牛一定是模仿->重复->学会的不断循环的过程。纸上得来终觉浅，所以比较有效的方法是多向优秀的人学习和交流，以此来帮助自己融入这个过程，而且还能解决遇到的很多问题，最终沉淀出一套自己的方法论。都说用道理说服别人是很难的，所以榜样就是最好的力量。而我自己最终选择了互联网，更多参考了朋友同学的建议，也是因为压力处于比较中间的位置和这方面的场景与海量数据，更因为世界早已离不开互联网，开源的环境更有利于提升，希望能更深地理解互联网思维，或许能有幸地从根本上感受一些与其它思维模式碰撞的地方；另一方面选择进入推荐领域是觉得更容易落地和能更好地兼顾工程能力，工程能力能帮助自己走得更远。

在循环学习的过程中，坚持总是非常艰难，坚持的同时不能忽视复盘与总结，避免遗忘(人都是容易遗忘的)，但是总有很多方法来帮助我们坚持下去，可以是家人和朋友的一句鼓励，也可以是运动与旅游都能产生正面的影响。

技术人怀有理想主义自信其实是很浪漫的，一般这样的人内在的特质也很相似，即天真和乐观。大多数人在人生中总会遇到无数的坑，经历很多，在各种各样的变化中更多是被动的，但是这样的人往往能保持住自己的特质，不抱怨甚至愿意不断尝试，且对未来充满期待，坚持会使过程呈螺旋上升状态，最终工作和生活总会收敛于一个较好的状态。希望你也能做这样的人。

最后祝大家心想事成，多多加油！