2020-DS疫情跳槽小结和准备资料分享

2020年，历经2-3个月的准备，LZ从9月份到12月份在家密集面试了16家公司(包含apple, amazon, adobe, google, twitter, uber, facebook等）与6场onsite，在刚开始连环拒的情况下最终拿到了一家大型tech firm senior DS的offer。很感谢地里的小伙伴无私奉献面经和准备经验，也写下我的经历供大家参考。

一、前期准备与面试期间的持续学习
面试之前的2-3个月，我整理了一份多个方面的学习清单和一个每日进度表，以记录我的学习情况。我着重复习了SQL, Data manipulation, product, Stats, A/B testing, ML等知识。我也订阅了Medium和leetcode，便于读data science相关的post和复习coding。

面试期间，针对各个公司，我又详细看了各个公司岗位的面经，针对特定的product与技术问题进行了深入的了解。在每一次面试后我会记录面试的情况和被问到的题目，如果在那次面试答得不好，会在接下来的时间着重复习和攻破这些知识点。

下面列一些我非常受益的资料：

1.SQL

• leetcode SQL 刷完全部的题目
• A collection of data science takehome challenges - SQL Database questions
• 个人面试经验 - 载入dummy data面试后重新写一遍
• 地里面经
  

如果想要做题库之前快速复习一下SQL的知识，推荐这两个网站：

• SQL Zoo: https://sqlzoo.net
• Mode Analytics: https://mode.com/sql-tutorial/
  

2.Data manipulation (Python)
目前的工作常需要用pandas和numpy，所以就着重复习了一些比较advanced的知识点。
好的复习材料：

• A collection of data science takehome challenges - SQL Database questions - 用pandas再写一遍
• 地里面经（主要着重复习了groupby, rolling mean, 各种aggregate functions)
• 不错的medium post: How to write sql queries in pandas:
• https://medium.com/jbennetcodes/how-to-rewrite-your-sql-queries-in-pandas-and-more-149d341fc53e
  

3.Stats & probability

• 整理word版常见stats&probability知识点：
  

这一部分主要参考了地里对于Stats频繁问到的问题以及答案，在这个基础上加入一些个人的理解和其他平台相关定义的知识讨论。
statistic how to: https://www.statisticshowto.com/ 这个网站对我复习各类hypothesis testing有很大的帮助

• Inferential Statistics
  

https://www.coursera.org/learn/inferential-statistics-intro

• Linear Model:
  

https://www.coursera.org/learn/ml-regression

• 入门级stats扫盲StatQuest：https://www.youtube.com/channel/UCtYLUTtgS3k1Fg4y5tAhLbw
  

• 特定公司面经：
  

比如FB rds非常喜欢问linear model,问的非常细致。要对每个细节的改变对model的影响都有了解，建议仔细回顾一下。

• Probability部分被问到的公司不多，主要了解conditional probability, baythes therom,各类distribution以及适应的product场景，以及知道怎么解答一些基础概率问题（类似投色子等）
  

4.Machine Learning

• 整理word版常见machine learning知识点：
  

这一部分主要参考了地里对于Machine Learning频繁问到的算法问题以及答案，在这个基础上加入一些个人的理解和其他平台相关定义的知识讨论。
由于很多公司对于算法的理解要求很高，建议有空的同学从数学推导出发，看看elements of statistical learning和medium,对算法的每一个步骤，优缺点，数学公式，optimization方法都有所理解。

• 个人面试经验 - 因为DS的要求很广，很多时候就算你认为你复习了全部，面试官问到的问题可能是你没有看过的。所以每次在被问倒以后我都会好好看一下特定的问题。比如linear discriminant analysis与naive bayes的区别与联系等。再比如手写kmeans被问到了好几次。
• 地里的必要/optional 知识点checklist - （这里援引地里小伙伴的总结）:
  

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)
Imbalance Classification/Outlier(One Class SVM, LOF, Isolation Forest, Clustering)
Missing Value
Feature Engineering Techniques
Dimension Reduction(PCA, Auto-encoder, MDS, LDA)
Underfitting & Overfitting.
Evaluation metrics

然后这是optional知识点： NLP (Word2Vec, Sentiment), Neural Network(Optimizer, CNN, LSTM, Tune, Regularization, Gradient Vanishing, Activation), Collaborative Filtering


5.A/B Testing and Product

• Udacity 入门课： https://classroom.udacity.com/courses/ud257
• Udacity入门课相关有用的notes：http://rpubs.com/superseer/ab_testing
• 总结A/B testing必备steps （这里援引地里小伙伴的总结）:
  

1. Define metrics: sanity checking metrics, evaluation metrics
2. Design experiments: unit of diversion, target population (population impacted by the treatment, increase statistical power), size of experiment (statistical power), duration of experiment (traffic allocation, novelty effects, change aversion)
3. Analyze results: clean data, sanity checks (use sanity checking metrics defined in step 1), single evaluation metric (t-test, p value, type I error, type 2 error), multiple evaluation metrics (Bonferoni correction, FWER, FDR)

• medium和地里的一些AB Testing 与product相关讨论&面经 - 这一部分要有批判性地去阅读。有时候地里的讨论能给你一定的思路，但不一定是ground truth。一定要自己好好思考
• 吃透A collection of data science takehome challenges - 40道product问题，并且总结每种场景的答题的基本思路和framework （比如metric突然下降，如何评估产品health,是否加一个新的feature等等）
• Cracking product case interviews书
• Lean Analytics主要看e-commerce和mobile platform
• Victor Cheng - Ivy Case system，基础consulting case答题结构
  

6.Behavioral

• 由于我面过amazon onsite,根据准备亚麻LP的方法准备其他家是一个不错的策略。总结好自己常用的故事库，然后尽量在回答behavioral的时候回答到点，不重样。对于一些可能没有完全准备过的问题，不要慌，尽量想办法联系到已经准备过的问题（比如我在面亚麻的时候面试官问我：Tell me an example where you influence the career of another person）
• 此外，尽量对面试公司的产品和组的业务有所了解，回答why changing job的时候把回答变得personal一些，加入自己对于这个岗位的理解和兴趣。
  

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
Popular Interview Questions from Top Companies

最近跳槽不容易希望这个帖子给大家一些参考，希望大家都尽快拿到理想的offer！

必须赞

说实在的，现在DS面试什么都有可能考到，这些知识点随便哪一个都是一个PhD可以研究的方向，期望面试者什么都懂，其实哪一个都不精通。加上没有标准流程，最后基本看缘分。

今天又回来看楼主的帖子，感觉对我最有用的恐怕就是清单和每日进度条了

Yuedandanyue 发表于 2021-1-5 12:47
请问楼主可以分享整理的ML 知识点word 么

你好，ML的知识点大的结构我是参考了地里的资料。
如下几个帖子对我很有帮助：
https://www.1point3acres.com/bbs/thread-472184-1-1.html
https://www.1point3acres.com/bbs/thread-493659-1-1.html
https://www.1point3acres.com/bbs/thread-696423-1-1.html
还有要提到的是我给这个word做了个目录然后打了出来，复习的时候看起来很方便。希望有帮助！

感谢lz 分享默默问下lz Twitter面的是ads吗？过几天要面试想问问面经

您好！
本帖隐藏的内容需要积分高于 100 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 100 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
Popular Interview Questions from Top Companies

感慨一下应聘DS职位要准备这么多内容。。。

DS现在考的太杂了，楼主这么短的准备时间，拿到不错的offer，恭喜

lz最后去哪了呀～

biubiula 发表于 2021-1-5 09:24
lz最后去哪了呀～

最后去的公司私信你了~

请问如何在2,3个月的时间里复习这么多知识点? 每天大约学习几个小时? 谢谢!

pengzhao0524 发表于 2021-01-04 17:38:08
请问如何在2,3个月的时间里复习这么多知识点? 每天大约学习几个小时? 谢谢!

我面试前的那几个月也有看。所以加上面试正式开始的几个月，一共大概学了4-5个月吧。每天大概2-3个小时。周末全天

mylo_xyloto 发表于 2021-1-5 09:42
我面试前的那几个月也有看。所以加上面试正式开始的几个月，一共大概学了4-5个月吧。每天大概2-3个小时。 ...

那你的效率也还是很高的. 感谢分享!