3. 辅导班
嗯,现在各种各样的辅导班真是层出不穷。我先声明,我没有收任何辅导班的好处,也没有辅导班会傻逼到给我好处。所以,仅仅是一家之言,个人感受。
总体来说,家贫人丑,舍不得上辅导班,能省则省。不过,因为是转行,不上辅导班的话,总觉得简历上太贫瘠,所以,大概还是上过这些辅导班吧。我一个一个列出来:
a. 九章:我上过他的基础算法班,强化班,这两个班都很不错,算是给数据结构和算法开了个好头,不至于像无头苍蝇一样无处下手了。这个也是性价比最高的班了,100多块钱,挺实惠的。另外还上过九章的系统设计班,这个,个人感觉有点太散,big picture和details的把握不是很好,听完了之后还是要做很多的功课,反复消化,才能转化为自己的东西。还有一个刷题点睛班,这个感觉就挺鸡肋的,都是一些比较easy和medium的题目,个人感觉不是特别推荐。远不如基础班和强化班性价比高。
b. coursera: 嗯呐,这个便宜,哈哈。在这里上了好多辅导班,比如说吴恩达的ML入门,比如说John Hopkins University的Introduction to Data Sceince系列课,有十门课,主要是讲R的运用比较多,一些工具的使用,比如说R的画图的包,markdown等等等等,一些基本的数据处理分析的技巧。这个课本身挺好的,可是,这种技巧更多的是依赖熟练度,你在辅导班能用上的强度和工作强度差别太大了,很难指望你在辅导班上的练习就可以让你用得很熟练,充其量只是入个门而已。不要太指望这个会让你发生奇迹。还有其他的一些课程,都比较零散,比如说AWS的应用,AB Testing之类的 。
c. 炼数成金:这个是国内的一个网校,我个人很喜欢。里面的ML的课程难易结合的极其完美,够装逼,又不会太难学不会。我只上了里面的ML的课程。其他的课程,我没有发言权。.google и
d. BitTiger: 也就是太阁网,貌似现在倒闭了,额,那我就不多评价了吧。
总体来说,辅导班没有那么神话,可以带你入门一些东西,但是,其实想想也就明白了,你花一两个星期,或者个把来月业余时间能自学学会的东西又能有多复杂呢?这样做的结果,必然是不精。不过没办法,转行嘛,必须得在简历上堆砌一大堆相关的经历,技能和project才可以啊,所以,有一些该上的还是要上,但是,投入太多,比如说像太阁那样的几千刀,额,觉得性价比还是挺低的,不要期望太多就好了。如果你自己自学能力够的话,效果并不会比你自己自学好多少。不过它有一个很大的好处就是资料的搜集,你不用再去纠结看什么,或者是再去纠结哪里找资料了,辅导班都会给你搞定,通过辅导班,你会有一个比较系统的计划。所以,如果是不差钱的同学,可以考虑吧。只是真心不要觉得自己花了几千刀,报了辅导班,只要跟着他们,你就能一路拿到offer了。额,亲,醒醒,你如果真的只是这样的智商的话,那还是暂时先别考虑刷题了,听听郭德纲的段子可能更有意思。 .google и. check 1point3acres for more.
4. 简历
我还是花了一些时间在简历上的,这里倒不是真的指编辑简历的时间,而是为了在简历上build这些关键字。通过那些辅导班啊,通过那些网课啊,我还是可以在简历上写得一些吹吹牛的project,不过其实真的关系不大。明眼人一眼就能看出来,你丫就是个弱鸡,毫无疑问。所以,这个简历只可以混过HR的肉眼,不过这也够了。
网上到处都是简历的模板,不用太在意,能混过HR就可以了。大部分公司,在面试你的时候,都不知道你的简历是什么鬼样子的,很多人面完你了,都没看过你的简历。
5. 面试
OK,我准备差不多一年的时间,前半年都把心思花在了统计和ML上面,捎带刷了刷题。嗯,以为data scientist可以不需要刷题,所以,我就傻啦吧唧的在准备半年之后就冲上去了。怎么说呢,看过去很美,其实很惨。我在这一轮面了很多公司,但是,几乎全部止步于电话面试或者是take home exam,online assignment之类的,连一个onsite都没有。这些公司包括Uber,Pinterest, Airbnb,Quora等,还有一堆国内的小公司,比如说京东,苏宁,滴滴打车,阿里,等等等等。另外一些像Intuit这样的公司,我面得也很多,可是都在第一轮就挂了。因为本来就是去试水的,所以,并没有很难过,可是还是觉得方向错了。因为所有的公司在电面的时候,没有人会来问你ML的具体知识点,或者是公式推导,人家关心的,都是你有没有相关的经验。这种经验绝不是你上上辅导班,或者听听讲座就能明白的,而是你真的要在这个领域内有工作经验。真正让自己改变定位的,应该还是Uber的面试,我可以具体讲一下:
这算是我面的第一个大公司了,海投之后就有了面试,比自己想象中的快好多好多,可能还是因为教育背景比较能唬人吧。Anyway,电面却极其惨烈。一个random on weight 这样的题目,都不会写,写得坑坑洼洼。一个简单版本,一个难的版本,因为对python和R的不熟,搞得要来回切换,一个是用python写完的,一个是用R写完的,呵呵。估计面试官都懵逼了,这个弱鸡。我明明是用这道题来热身的,你丫扯了半天蛋,哎,算了。
但是,面试官最后给我的反馈却是,无论你的DS有多好,在一个团队里,需要的码农的量远远大于DS的人。比如说他们团队,有300人左右,可是真正会用到ML,做决策的DS的角色只有二三十人,绝大多数人都是在implement或者是achieve这些PM或者是DS的idea而已。醍醐灌顶,从此之后,决定,学那么多没用的,不如学一招鲜,吃遍天。没什么别的出路了,刷题转码吧。
我从外行的角度来讲一下刷题的感受:最开始对刷题嗤之以鼻,觉得是奇技淫巧,所以,一直不屑于刷题,总是想着投机取巧,靠着一点小聪明去刷。嗯,这样确实能刷掉一些题,但是,只是一些很基础的题,对于算法和数据结构其实没有帮助。我还是觉得,刷题只是手段,数据结构和算法才是目的。如果一道题目过来了,对你的这两个点没有太大帮助,其实,刷出来与否意义都不大。比如说LC里面有两道题,一道题目是判断一个科学计数法的数字是否合理,另外一道题目是类似于word设计排版,左对齐或者是中间对齐这样的功能;这两道题做的时候,磨了好久,考虑各种边界条件,可是,事实是,对数据结构和算法的认识,并没有什么提高。换位思考一下,如果自己以后有机会去面试别人了,我也不会出这样的题目的,因为考察不出东西来,也没有必要让被面试者在面试现场把所有的corner case都想到,这太没有意义了,面试官自己都记不住吧。有一些题目,虽然不难,但是确实很经典,对于算法和数据结构的理解帮助挺大。比如说大家都做烂了的number of islands,BFS是常规套路,但是,如果是后面的升级版,那么就一定要上并查集了;这样的题目我觉得对自己的帮助和启发更大。真正让自己花了很多时间的其实还是DFS这个算法,而在数据结构中,无数次被问到的则是heap方面的知识,不知道面试官为什么那么热衷于问这个。所以,我自己的建议是,不要那么着急上来就去刷题,先沉下心,好好看看数据结构和基本算法,其实两三个星期也就足够足够了。刷题是让你知道,自己在这两个方面还有哪些欠缺,还有哪些理解上的误区和不足。好比一个简单的sort,有那么多个方法,真的搞懂了吗,时间复杂度,空间复杂度,为什么最优,什么情况下是最差,什么时候又是average?面试官在和你面试的时候,不会简单的听你说一句,嗯,这个的时间复杂度是多少多少,而是你最少能装模作样的跟别人解释出来,为什么是这样的。你是通过程序的运行分析出来的吗,还是通过主方法分析出来的呢?还是凭直觉?脑子里还是要备着这些最基础的只是点的,要不然,刷完题了,聊啥啊。
其实如果是自学的话,学到这里也差不多就到了自学的瓶颈了,很难再有很大提高。我自己的经历是,面试到最后的时候,大概刷题的数量在350左右,其中hard大概有80多道,剩下的一般easy,一般medium。我也就不再刷新题目了,没有意义,这些老题目都没有把握说随便拎出来一道就可以AC。其实,题目的数量不是很重要,有一些题目,自己即使做完了,还是不太会,即使你做过很多遍。这里尤其想要讲的是关于动归的题目,很多时候的感觉是貌似有套路,可是,总是差那么一点点,就是差一点点,不知道为什么答案里面的状态方程和转移方程都那么完美,自己就是差一点点。不过好在这种题目不是特别多,所以,要做很细致的归纳总结工作。面试官那里也没什么新题,毕竟人家也要工作的,没空天天来整新题给你面试。所以,我都是把它们总结好,上考场前花半天,再重新全部都过一遍,哪怕背,他妈的也背下来了。当然,不是真的要你背,光背不会扯,肯定也是不行的。
. check 1point3acres for more.
后面的面试,让我觉得最舒服和常规的就是FACEBOOK了,可能是和它当时在狂招人有关,所以,简直就是教科书般的面试,就是大家想象中的那种啥废话都没有,嗯,做题,然后系统设计扯一波,完事儿。可是,自己偏偏把FACEBOOK放在第一个面了,那时候才刷了150道题吧,手生,手嫩,稀里糊涂就上去了,悔死了。如果是把FACEBOOK放在最后,觉得自己应该还挺有信心的。所以,要投简历的小伙伴们,可以考虑把facebook放在后一些面,用一些别的公司来练手。Google是自己面的最难的,没有原题,题目很诡异,不常规,我跪得也是心服口服,嗯,别说再给我一小时了,你就是再给我一天,我那题也不会做。实力差太远了,没办法。