【实习】Google超喜欢的组 vs Facebook不知道什么组

ywsstan 发表于 2018-11-17 00:45
个人觉得fb选组有点坑吧… ms选组就是填一张问卷，我虽然写了ml但还是被分去写php了…（大概也是我太弱了） ...

我对train model并没有特别大的兴趣，engineering的工作完全可以接受
主要还是从之后找full time考虑，如果做得太偏research的话HR可能看不懂，毕竟主要还是要靠SDE上岸
另外你说的model可以integrate到实际产品，不是说google实习没impact，代码一般都不上线的吗？是RMI整体风格都不一样还是他的组比较特别或是他特别优秀？能不能介绍我认识一下你的这位同学？谢谢

cai_lw 发表于 2018-11-17 01:22
SDE，字数字数字数字数

我也是做NLP背景的，但是没想到Google的SDE还能给match到做AI相关的组啊！我本来都打算，如果Google的team只有特别system的话就放弃offer去读thesis master的研了

Jing666 发表于 2018-11-17 01:36
我也是做NLP背景的，但是没想到Google的SDE还能给match到做AI相关的组啊！我本来都打算，如果Google的tea ...

full time是另一回事了
总体规律是，越偏research，full time的bar比intern的bar高得越多
而且google的full time在签offer之前只能match大的部门，具体的team是入职前才match的

cai_lw 发表于 2018-11-17 01:40
full time是另一回事了
总体规律是，越偏research，full time的bar比intern的bar高得越多
而且google的 ...

那岂不是如果intern直接转正，很有优势？之前我实习的公司也给我return 就还是我原来的组

Jing666 发表于 2018-11-17 01:48
那岂不是如果intern直接转正，很有优势？之前我实习的公司也给我return 就还是我原来的组

所以问题就出在google的intern不能直接转正啊……无论实习表现如何都要加面两轮，return成功率坊间传闻为30%-50%不等，其他大公司一般在70%-90%

znyjose 发表于 2018-11-17 02:21
求问LZ LC ID, 期待视奸大神code

和地里ID一样

kevinyao 发表于 2018-11-17 00:15
个人意见供参考。以楼主这种周赛把把前十的水平，就算政策差，就算g家一不小心没拿到return，明年别的大off ...

地里总结够多的了
Google实习压力相对没那么大，但是做的经常是专门给实习生玩的项目，没有impact。无论实习表现如何想拿return offer都必须再面两轮，通过率不高。给return的包裹比直接招的低，而且没有其他offer的话默认low ball，要compete才会涨。
Facebook实习压力比较大，大家都在为争取return offer拼命干活，但是代码会上线，有impact。return offer只看实习评价，大多数人能拿到，但是遇到坑领导的话就比较难。给return的包裹比直接招的高。

kevinyao 发表于 2018-11-17 01:08
请问还记不记得fb的问卷什么样子？大概有哪些选项，可以有几个preferences？

主要是写1. 想做什么， 这里我没记错的话只能选full stack/ android/ ios/ infra 这几个里面的 2.自己擅长的语言（或者想学习的语言）3.org（core app/instagram/messeger/growth/behind the scene 大概这些) 4. 有什么特殊技能没有(compiler, nlp, computer vision) 等等 5.其他comment

team match不会和manager打电话， 填完问卷就是等hr通知你分到哪个组

cai_lw 发表于 2018-11-17 01:31
我对train model并没有特别大的兴趣，engineering的工作完全可以接受
主要还是从之后找full time考虑， ...

>做的太偏research hr看不懂
这种事情可能发生 但以我知道的有限的例子 拿一些主流公司面试还是没什么问题的   纯招fullstack java开发什么这种的也许确实拿不到面试吧   而且google return 应该要回原product area  这样fulltime可以回rmi做nlp不是挺好的吗
> google intern水
我觉得这个完全看个人的表现了啊， 如果你做得快，model train出来结果好，没有任何道理不放进production里

还有针对integration多说几句，其实我并不是特别清楚他最后的过程，只知道他的offline小模型因为表现不错integrate到了大的online model里