Data Scientist被雷-准备面试经验

自从五月份通知被雷，到现在拿到一个Fortune 100的Senior DS的职位。很开心。过两天就要面FB，希望可以过onsite。这里分享一下我这一个半月准备的经验吧。

先说心路历程：被雷了之后还是心情很糟糕的，调整了一两周。然后也因为太久没有学习，整个脑子不在状态，感觉要学的好多，搞不清楚状况，遥遥无期。大概到了第三周慢慢进入状态，然后期间也有跌宕起伏，被亚麻最终轮拒，恼怒，灰心，再慢慢重拾信心，好好准备更多，到现在。

总结来说心态上最重要的是要清楚，”脑子跟肌肉一样，要循序渐进的提高。“刚开始100kg卧推可能不可思议，但是每天练习，每天进步一点，学习一点，早晚都可以实现100kg卧推。我大部分关于学习的理论都来自Coursera ’learn how to learn'这门课。强烈推荐需要高强度突击学习的小伙伴，先去这里吸收一下经验。

接下来说要准备什么，和怎么准备。以下是我大致的准备顺序。但是明白一点，学习是循环的，最理想的方式是来回跳跃，当发现有联系的时候互相关联学习和记忆。

• 统计学的东东
• 机器学习的东东
• Behavioral面试的东西
• 自己做过的project的整理
• 数据结构和算法
• Product Sense
  

统计学和机器学习：

• 资料强烈推荐一个Youtube-statquest。讲的很好，如果喜欢建议两倍速看一遍他关于统计和ml的playlist。
• 基本概念搞清楚后专项突破。每一个类型的算法搞清楚原理，数学公式，优缺点，调参，实际应用。还有相似算法之间的对比总结。
• 如果遇到不太清楚的，推荐的资料是：看论文原文（有些作者真的是大牛，讲的无比清晰）；看python sklearn的document；去google找blog。一般来说前两者事半功倍。去接触最本源的知识是非常好的。
• 先列一下ML必要知识点：Linear Regression (L1, L2, ElasticNet, Polynomial, Time Series, Seasonal, R square, adj-R, F-statistics), Logistic Regression (Sigmoid, Maximum-Likelihood, Pseudo-R), Tree (CART, Regression Tree, Ensemble, XGB, GBM, AdaBoost, RandomForest, Entropy, Gini, Missing Value, Feature Importance, Pruning, Regularization), SVM (All Kernal), Clustering (K-mean, Hclust, DBSCAN, Distance Metrics, Silhouette Score), Inbalance Classification/Outlier(One Class SVM, LOF, Isolation Forest, Clustering), Missing Value, Feature Engineering Techniques, Dimension Reduction(PCA, Auto-encoder, MDS, LDA), Underfitting & Overfitting.
• 然后这是optional知识点：NLP (Word2Vec, Sentiment), Neural Network(Optimizer, CNN, LSTM, Tune, Regularization, Gradient Vanishing, Activation), Collaborative Filtering
  

Behavioral

• 这块基本上是被亚麻的Leadership Principle虐了千百遍。一直用STAR结构答了他们50多个常见题。基本上可以用在任何其他家的面试上。多去看看大家怎么准备亚麻的Behavior就可以了
  

您好！
本帖隐藏的内容需要积分高于 50 才可浏览
您当前积分为 0。
使用VIP即刻解锁阅读权限或查看其他获取积分的方式

游客，您好！
本帖隐藏的内容需要积分高于 50 才可浏览
您当前积分为 0。
VIP即刻解锁阅读权限 或 查看其他获取积分的方式
Unlock interview details and practice with AI
Curated Interview Questions from Top Companies

孙早起 发表于 2020-7-7 23:21
感谢楼主分享。同样强推Youtube-statquest！

请问下楼主面的算法时候题目的难度？LC Medium难度左右？个 ...

不同的岗位有不同的要求：

ML岗一般都会考算法，难度都是Junior Software Engineer。

• LC上Med level和Hard level都刷一刷。150肯定够了，但是你要保证自己在不看答案的情况下，可以很顺利的写下来，逻辑清晰。所以建议你多多练习，一次肯定不够的。练到自己能很清晰的理解思路，理解每一句的作用就可以了。一定要注重质量，而不是数量。有时候你认认真真刷明白10道不同解题方法的题可能就够了，关键是自己要掌握解题思路。
• Dynamic Coding基本不考，XOR基本不考。这些高深的算法不会考。所以遇到这种题可以直接跳过或者用其他解法。
• 好好练习BFS, DFS, Two Pointer, Linked List, Recursive ...  这些常用的就可以。
  

Data Scientist很多并不是ML engineer岗，不需要算法，只需要sql和python就可以。

• 建议SQL LC上的Med 和 Hard level都刷会。一样注重质量，不要重数量
• 然后去刷面经
  

lalalalalalalal 发表于 2020-7-9 05:48
感谢楼主分享～想问一下ds级别的算法题需要掌握多深呀～我最近用python刷一些leetcode上的easy题目，比如链 ...

建议你去看Grokking the interview，里面除了dynamic programming和xor都是考点。你这个准备的可能有点偏了。大概率不会直接考你二叉树或者某种sort algorithm，更多的可能考你two pointer，binary search，bfs，dfs这种。还有leetcode easy太简单了，不会考那么简单的，基本是med - hard level。大概率med，hard考的少。比较是junior swe的bar

FinalLi 发表于 2020-7-9 11:37
感谢楼主分享，很有用的信息！我也比较好奇，ML的知识点是如何考察的呢？

问你问题啊。你可以搜popular data science interview question。给你举几个例子：

• Random Forest, what's random?
• Supervised ML vs Unsupervised ML? Difference?
• SVM Pros & Cons?
• Tree model pros & Cons? vs regression?
• L1, L2, Elastic Net, difference, how to tune?
• What is Gradient Descent?
• How to avoid overfitting?
• How to deal with missing value?
• What features engineering technique you have?
• What is regularization? How to do it?
• How to deal with imbalance classification?
• What is kmean? How does it work? How to choose K? Compared to Hclust Pors & Cons?
• When to use Neural Network? Pros & Cons vs other ML techniques?
  

很赞， 面fb 哪个组啊， 祝贺通过， fb 有些组data scientist 收入和swe是一样的

想问一下，这些准备都花了多长时间呢？感觉60天不够用啊

感谢楼主分享经验～

加米了 楼主几年经验呀 面的是亚麻ds吗 祝offer满满

bluesun 发表于 2020-07-06 20:58:26
很赞， 面fb 哪个组啊， 祝贺通过， fb 有些组data scientist 收入和swe是一样的

你说的是core ds吧

感谢lz分享~

谢谢分享

感谢楼主分享。同样强推Youtube-statquest！

请问下楼主面的算法时候题目的难度？LC Medium难度左右？个人感觉DS偏analytics或者ML面试算法难度是不是会不一样，我看面经有些面Analystics算法不考的都有，只考了SQL，但ML方向的算法有时候面得比较难。

不知道算法这一块该花多大精力准备。我是非CS专业，陆陆续续刷了150题LC，但很多还都是初刷。