浙江大学计算机就业分享note

最新推荐文章于 2023-06-23 09:58:37 发布

love_lqz

最新推荐文章于 2023-06-23 09:58:37 发布

阅读量3.2k

点赞数 10

分类专栏：就业文章标签：机器学习

本文链接：https://blog.csdn.net/weixin_41553159/article/details/104976179

版权

就业专栏收录该内容

3 篇文章 0 订阅

订阅专栏

胡津铭

Offer类型介绍

• 建议尽早确定自己target哪种类型的offer
• 不同类型的offer要求的能力差别可以很大
• 确定了选择之后，可以了解target的offer需要的能力

看对应offer的面经，了解面试风格

• 当你还不确定自己想选哪种的时候，可以培养一些通用的能力

能力够强的同学可以“我全都要”，到最后再选择
但大多数同学到了研二的时候可能就该开始思考目标，并做一些针对性的准备

外企 VS 私企

• 外企：Optiver，谷歌，微软，摩根士丹利，Hulu，Airbnb
• 私企：阿里，腾讯，头条，百度，拼多多，华为…

算法岗 VS 开发岗

• 算法岗：使用机器学习解决问题的岗位
• 开发岗：后端开发、前端开发、系统开发等
• 除了兴趣与实验室方向以外……

拿下Offer需要的能力介绍

为了结合不同类型的offer介绍，每种能力还会针对以下几种offer类型主观地给出重要性打分（0-5）

外企IT：如谷歌，微软，Hulu，Airbnb
外企金融：如Optiver，摩根士丹利
私企开发：国内的IT企业的开发岗
私企算法：国内的IT企业的算法岗

LeetCode刷题（最重要）

• 准备的方式非常简单，刷题

建议从质量高的题开始刷，LeetCode有个tag是top100 liked，从这个tag开始刷，建议主要做自己要费点力气（半小时）才能做得出来（但又不是完全做不出）的题
直接在LeetCode网站提交代码的窗口里做题，肉眼debug，不用IDE（锻炼白板编程能力）
AC之后，要去看Discussion/Solution，看别人更好的解法/写法

• 建议至少刷个200、300道吧

我找实习之前刷了400道，秋招之前刷了700多道

• 重要性评价：

外企IT：7星
外企金融：4.5星
私企开发：腾讯微信，头条5星；其他4-4.5星
私企算法：腾讯微信，头条5星；其他4-4.5星

交流沟通能力

• 沟通能力包括哪些？

与面试官交流，问清楚算法题的条件（面试官可能给的不全，故意挖坑）；讲清楚自己的思路、代码
一些场景题也需要问清楚场景、需求等
将自己项目、论文、竞赛等表述清楚
回答问题清晰易懂

• 准备方式：

自己练习
找小伙伴模拟面试，看能不能和他/她解释清楚
模仿你觉得表述厉害的人的表达，学习他们的表述技巧

• 重要性评价：

外企：5星
私企：3.5星

项目/实习/竞赛（重要）

• 我个人推荐，有机会去好的公司实习的话，就去实习

实习可以锻炼工业界真正需要的能力
实习可以帮助了解某家公司/某个岗位，帮助自己以后做选择
实习有转正机会，比直接秋招容易很多
实习对找实习/秋招帮助很大

• 如果由于一些原因不方便去实习的话

扎实地做项目（实验室），确保简历上所写的内容的细节都清楚
也可参加开源项目（Github）
可以参加一些竞赛（Kaggle、天池）

• 重要性评价：

外企：项目/竞赛3星（只要过了表刷），实习3.5星（转正5星）
私企：5星

CS基础知识

• 包括：

编程语言（C++/Python/Java等）
一些工具的使用：比如Git，Linux等
基础课程：数据结构与算法、体系结构、操作系统、计算机网络

• 要扎实
• 面试准备时看面经
• 重要性评价：

外企IT：2星（想写0星）
外企金融：5星
私企开发：4.5星
私企算法：2-3星

机器学习基础

• 数学、统计学习基础、深度学习基础
• 要扎实（不要只会调包！）
• 面试准备时看面经
• 重要性评价：

外企IT：0星，hulu的算法岗5星
外企金融：0星
私企开发：0星
私企算法：5星

顶级论文

• 在实验室憋论文，或者去工业界某些发论文的组
• 硕士可以找博士合作，拿二作
• 重要性评价：

外企IT：0星，hulu的算法岗有用
外企金融：0星，optiver的算法岗有用
私企开发：没有不扣分，个人感觉有了加分也不大
私企算法：有（一作）论文（CCFA）会有很大的加分，某些公司（阿里、腾讯、头条等）特别高的offer一般需要一作论文

解决问题的能力

• 这是一个比较抽象的能力，前面提到的诸多能力也或多或少涉及这项
• 了解清楚问题 $\rightarrow$ 抽象问题 $\rightarrow$ 抓住问题要点 $\rightarrow$ 灵活运用已有的知识解决
• 国内私企喜欢用一些场景题来考察

给你一个场景，让你提出解决方案

• 外企喜欢用system design来考察

同样是给场景提出解决方案，但要更加细节，需要给出设计的具体细节甚至还有代码

• 重要性评价：

外企IT：3.5星
外企金融：5星
私企开发：4星
私企算法：4.5星

英语

• 了解面试公司对英语的要求
• 练习方式：

平时自己多练
找小伙伴模拟面试
不一定要发音特别地道，但要能够较流利地回答问题、表述自己的想法

• 重要性评价：

外企IT：微软2.5星，Google 秋招4.5星（有至少一轮全英文面）
外企金融：5星，optiver和摩根士丹利都是全英文面
私企：基本0星吧

其他零碎的建议

• 找小伙伴一起努力学习，一起找实习全职，共享信息
• 能找内推就找内推，别拖得太晚投递（要是想准备好再投递，可能永远都没有准备好）
• 国内公司，同一家公司甚至同一个部门的不同组的难度、前景、氛围可以差异巨大，最好靠谱学长学姐打听、了解
• 基础要扎实
• 简历的内容一定要非常熟悉，尤其是面私企
• 面试前看面经
• 推荐我写的帖子：
找国外名校（主要是MIT/Stanford/CMU/Berkeley）有课程录像的对应课程，假装自己真的在上课一般地按照课程安排上课、看阅读材料并完成作业。主要的MOOC平台有Coursera, Edx和Udacity。

Coursera上有开Princeton的Algorithm课，把Edx上MIT的6.001x跟完了，还看了一些Harvard的CS50课程。《Artificial Intelligence: a Modern Approach》，Coursera上Andrew NG课，Tom Mitchell的那本《机器学习》，周志华老师的《机器学习》，李航的《统计学习方法》，《Pattern Classification》，《Elements of Statistical Learning》，MIT的18.06，概率论的知识（Harvard Stat110），Stanford的CS231n，《Information Theory, Inference, and Learning》，Stanford的CS41 Python Language，还有MIT的6.006 Intro to Algorithms。蔡登老师的机器学习课程，《Introductory Lectures on Convex Optimization》……

数学
MIT 18.01，MIT 18.02：微积分。
MIT 18.06：线性代数
Harvard Stat110：概率论。
MIT 6.042J：Mathematics for Computer Science.

CS导论
MIT 6.001：Introduction to Computer Science and Programming in Python

数据结构与算法
MIT 6.006：Introduction to Algorithms，教材是CLRS。
MIT 6.046：Design and Analysis of Algorithms. 进阶版，但其实前面那门课就已经内容不少了。

操作系统
CMU 15-213：教材是CSAPP。
MIT 6.824：分布式系统。不久前终于感人地放出视频了。
MIT 6.828：其实还没看，小伙伴都说好。
MIT 6.004：Computer Structure。偏硬件，老师讲得很好。
Modern Operating System

编程语言
Stanford CS41: Python Language Programming. 可惜没有视频，作业挺有意思的。其实我觉得学语言比较好的一种方式就是学了语法之后做一些练手的项目、作业，这样会掌握得比较快。
Stanford CS106L: C++ Language Programming. 前文也介绍过了，我觉得那本Full Course Reader写得真的很好，推荐一下~
还有一些领域内很知名的书，这里就不再专门推荐啦，这些课程里也会有介绍/推荐。这里再啰嗦一句，对大多数人来说，往往只需要学会某种编程语言中20%不到的常用特性，而这20%的常用特性往往占了实际使用这门编程语言中的90%。所以我不是很建议一开始弄本厚厚大大的书看，那样又吃力又缺少反馈，而且可能会花大量精力在自己根本用不到的地方。我其他的编程语言似乎都是用官方tutorial入门的，这里也就不推荐啦。

机器学习
浙大的同学来蹭蔡登老师的课>_<
Coursera Andrew NG的Machine Learning：机器学习之路从这里开始。
Stanford CS229：Machine Learning. Youtube上有视频。
CMU 15-701：Intro to Machine Learning. 就找到这么一年有视频的。
Coursera PGM：知名课程。
CMU 15-708：Probabilistic Graphical Model 我只看过两个Lecture。

下面有几本书，不过还是推荐和课程一起看。
Pattern Classification (PC)：比较老的书了，但是内容还是很有意义。
Elements of Statistical Learning：insight很多。
Pattern Recognition and Machine Learning (PRML)
Machine Learning: a Probabilistic Approach (MLAPP)
Information Theory, Inference, and Learning

深度学习
Stanford CS231n：Deep learning for CV. 推荐深度学习从这里开始
Stanford CS224n：Deep learning for NLP.
Berkeley CS285：Deep RL. 我只挑着看了几个Lecture，小伙伴说好。
Deep Learning Book：花书。