美国DS在职跳槽8个onsite，6个offer：经历小结+准备材料分享

忙活了将近了五个月，跳槽季终于落下帷幕。为回馈地里（顺便求加米），发个总结。先介绍背景：非tech小厂3年modeling DS经验，有身份，负责跟PM、客户扯皮确定需求，建模解决问题。上游需要依赖data engineer拉数据，下游需要依赖developer deploy，就算空有一身CS本身也无法伸展。公司福利非常好，人都很nice WLB满分，不过年轻还想闯一下，更何况现在市场这么火热就佛系开始找，没想到投了不到80个职位捞到了8个onsite（自己拒了大约5家小公司的VO邀约，因为真的精力不够也肯定不会去）6个offer，最后结局也挺满意的。这次主要想去tech看看，所以投的大多也是tech。

PS：地里的朋友认出来是谁的话请不要声张，麻烦私信我就行，主要是想分享经验+资料造福大家。十分感谢！！！！

onsite面的8个公司快评（签了NDA，所以请不要问我具体问了哪些题谢谢）：
• Greenhouse software (offer): 做ATS的，很多时候看到职位在 greenhouse.io 上就能看出来用的是他家的ATS啦。客户包括reddit, discord, airbnb等。面的DS更加偏product, 不考LC，take home主要是SQL+analytical scenarios有难度。面试大多问的BQ，VO有一轮技术面也是考SQL，需要用到windows function.
• WW (offer): 著名减肥软件，现在开始转型做健身了。他们要找end to end modeling DS, 薪水不是最有竞争力的不过project都蛮有意思。因为不是tech，所以onsite并不考现场写码 (take home考了)，都是闲聊+BQ+ML case studies, 人都蛮不错。
• Karat (offer): 技术面全套解决方案，感觉他家DS像是product+MLE mix, 因为是startup所以数据多而杂，有很多可能。比较特别的是有一个小时的karat“产品体验面”，3道概率统计概念题+2道SQL+2道easy/medium leetcode, 其实说真的压力有点大面的也一般。不过这轮不算数，onsite两轮技术面（非leetcode coding+纯SQL），两轮闲聊，一轮纯亚麻式BQ体验甚佳，整体节奏和回复都非常快。
• Microsoft (ghosted): 唯一一家终面过去了三个多月都悄无声息的。面的data & applied scientist, recruiter面订不到时间只能自己写了调查问卷发回去，接下来一小时电面。因为有pending offer催了一下，但是进度无法加快，又等了一个多月才安排了VO（中间跳过了一轮电面）。VO三轮技术面，HM过简历+深挖过去项目，一轮NLP一轮CV，最后AA面总结。onsite体验不错，不过之后recruiter就彻底失联了，发邮件压根不回，到现在状态还是interview scheduled就……略无语。
• Apple (offer): 果子是组招，DS，无定式。没有见到skip。HM面说是主要BQ+一道算法题，变成了两道leetcode easy+快速过简历，45分钟拉成一小时。最特别的是7小时（+break整整一天）的VO，七轮主要是1轮BQ+1轮纯leetcode (easy)，剩下都是case studies/SQL/ML mixed，还有非BQ的各种情景问题。流程很快，但因为中间有夹杂假期就拖得很长，不过组的turnaround time一般都是在一周以内。
• Glassdoor (rejected): 面的ML scientist, 他家考察得真的非常详尽，bar可以说是我面了这么多家里面最高的：SQL、代码（非leetcode）、ML深度/广度、product sense case study都有考，要求很高，最后说面试表现过了bar但是hc不够只能拒了。ML组比较新，人都挺聪明挺chilled的，就只能慨叹有缘无份吧。
• Amazon (offer): 面的社招AS L5，最后拿到的offer被降级到L4。跟地里很多人不同，我面的那个组整了两轮电面都是讲过去做过的ML projects, 然后dive deep, 有一轮考了15分钟的超简单SQL？最后VO 5轮5小时，也没有考任何代码，基本都是跟电面一个套路——讲过去做过的项目，其中穿插着问ML breadth/depth问题。VO每轮都有至少两道LP，BR那轮全是LP，HM面主要是讲case study. 就感觉是比较反套路的AS面试经历吧？
. 1point3acres • Indeed (offer): 跟recruiter初筛的时候说了自己的背景可能比较适合DS而非product scientist, 最后就按照DS面了。作业和电面地里面经都有。最后VO四轮技术面分别考白板（非leetcode）、ML case study、90分钟上机写代码，和数学/统计，最后半小时和manager闲聊总结一天。也跟glassdoor一样考察得很全面，其实最后onsite发挥的不是很出色但是可能刚好对HM的胃口所以侥幸拿到offer。wlb不错人也都很好相处，之前有hiring freeze现在在大量扩招中，所以bar没有以前那么高了。

小结：
• 现在市场真的很火热，有工业界经验的DS出来拿面试都不难。我个人觉得我算运气好的，onsite这几家的bar都不是很高，所以都能拿到offer。当然有身份也是另一个因素，所以可以去面稍微小点的公司，个人建议是先从小公司开始面（练手），拿到小公司offer以后再去面大公司会更胸有成竹一些。大公司流程可能较长，所以还是要注意安排。
• 最好尽早确定自己想要走哪个track，偏product还是MLE。product scientist我之前海投简历一大片一大片的挂，自己的product sense这一块也不算太好（所以能拿到greenhouse感觉还蛮意外的）。MLE的话要多复习ML，题也要刷。不过我面的这几家因为title都是ML scientist/DS一类，所以考算法没有考很难。如果要面meta MLE的话基本上就是SWE+ML套路，这种就得把算法好好梳理下，可能还得复习系统设计。
• 面DS的话，沟通真的很重要！沟通真的很重要！沟通真的很重要！（因为太重要所以说三遍）我其实每次onsite之前都会紧张，但是真开始面了以后我都不会刻意把面试官当成需要我去讨好的严肃考官，尽量的把话题往聊天那一块去带。我个人也没有把拿offer当做唯一目标，因为面试也是个双向选择的过程，可以趁这个机会顺便了解一下工业界其他公司在做什么，怎么做也是个很宝贵的经历，所以我心态比较好，也愿意花时间跟面试官解释。不要担心卡住了不会做，可以把thought process说出来，我遇到的面试官感觉都是希望我过的会适量的给hint，就能顺利通关了。面试官也是在找未来想一起工作的同事，所以自信大胆主动的沟通，不要怕丢面子，这样双方都会很愉快。
• 跟上面一点紧密相关：心态也非常重要，不要给自己太大压力（尤其是在职跳槽的）。骑驴找马嘛，实在不行就待在驴这慢慢考虑发展，也不亏不是？VO前一晚要保存好体力好好休息，因为一般都是至少四五个小时。面完一轮以后立刻忘记，不要影响下一轮的发挥。我在之前公司有面过面试者因为感觉自己上一轮表现不好这一轮十分沮丧，给了很多hints最后还是做不出来，最后我们也没给过。面了就快速忘记，逝者不可追，只能把握现在拥有的。给面试的公司也不可能每个都是dream，抱着一种好奇和nothing to lose的心态来面，会更加自然且有意想不到的效果。（当然如果你有身份压力的话当我没说，那就多mock，熟练到麻木就好了）
• 一定要对自己简历上的东西非常熟悉，前期我有个四年前的学校项目写在简历上被问倒了。关键字也是，我写了NLP但是我面试时候没有把NLP全部复习完，面试官刚好是NLP领域资深人士，跟我从bag of words聊到BERT聊了一小时中间我有好几次都卡住了。写了的关键字/项目就可能被问到，而且会问得很深，要做好万全准备。

下面想要分享一些我自己在准备面试过程中用到的资料：
• 第一轮复习：我用的是这个google spreadsheet https://docs.google.com/spreadsheets/d/1djhTq4vD72lzuLY2rCMOkkSuNG2rRf_C5PwNMjcIAMk/edit#gid=859146723，里面涵盖了DS面试会考到的各大方面，能快速巩固基础。
• Stats/probability: 我其实这方面比较弱，因为不是统计出身，所以把【第一轮复习】的统计概率视频全看了，题也都做了。另外推荐Youtube上的Khan academy（复习inferential statistics）和statsquest, 深入浅出能把基本的覆盖到。假设检验需要熟练掌握z-test, t-test, ANOVA, 以及相对应的non parametric tests，assumptions是什么。
• ML：地里的三篇八股文
https://www.1point3acres.com/bbs/thread-713903-1-1.html
https://www.1point3acres.com/bbs/thread-714090-1-1.html
https://www.1point3acres.com/bbs/thread-714558-1-1.html
自己总结一下，把答案写下来，基本过ML breadth/depth概念就没问题了。
另外斯坦福的cheatsheet也不错：[url=https://stanford.edu/~shervine/teaching/cs-229/]https://stanford.edu/~shervine/teaching/cs-229/[/url]
神经网络相关cheatsheet: https://ml-cheatsheet.readthedocs.io/en/latest/
• A/B testing: Udacity的A/B testing course有多经典就不说了，想快速复习的话可以看这个笔记 https://rpubs.com/superseer/ab_testing
• 算法：DS时间有限的话可以就做 leetcode patterns https://seanprashad.com/leetcode-patterns/ 或者 blind 75 https://www.teamblind.com/post/New-Year-Gift---Curated-List-of-Top-75-LeetCode-Questions-to-Save-Your-Time-OaM1orEU，如果面的是SDE+基本ML的那种MLE的话可以略过我上面的推荐……建议MLE直接按公司tag刷……
• SQL：上面【第一轮复习】里面的SQL题都很经典，基本把hackerrank/leetcode上的SQL都涵盖了。我自己还用了这两个网站 https://www.windowfunctions.com/  https://pgexercises.com/ 快速过了一遍windows function和PSQL基本操作，SQL概念的话可以看这里 https://learnsql.com/tags/cheat-sheet/ ，mode analytics的SQL教程跳着做快速复习也不错 https://mode.com/sql-tutorial/
• Product sense: 这一块我其实疏忽了，因为我没想做product scientist. 不过我有看这个网站上的一些材料 https://stellarpeers.com/ ，据说也可以直接在上面找人一起mock PM interviews.
• Case study: 推荐看Youtube上的Emma小姐姐 https://www.youtube.com/c/DataInterviewPro ，我不是太会套框架来解决问题，更多时候都是临场发挥……如果大家有什么好的资源推荐也欢迎分享。
• BQ: Youtube上看Dan，把亚麻14条军规准备过去基本天下无敌了。
• Mock interview: 我其实没有mock，直接拿小公司面试练手（所以面senior都挂了）……不过 interview.io 和 pramp 都不错。

零零散散写了这么多，希望对DS找工的大家有帮助！如果能不吝给我多加些大米就最好啦！祝大家新的一年一切顺利，offer多多~~

很详细了

Misato 发表于 2022-2-9 18:19
恭喜楼主！！请问下apple是内推吗？

是recruiter发信来找的，紫薯紫薯

想请问楼主方便透露一下亚麻AS的org吗？最近接到一个AS面试说onsite要做45min报告，想要避掉需要面这轮的AS岗

zan zanzan谢谢

马克马克

谢谢分享zszs

这么多Offer太牛了，恭喜！ LZ最后去了哪家啊？

天呐 DS 算法也要blind 75起步了......

楼主方便透露一下亚麻as 降级l4最后给多少tc吗？感谢

赞！LZ是PHD吗 因为看Amazon的AS offer 好奇问一下 谢谢

匿名者 发表于 2022-2-7 18:42
天呐 DS 算法也要blind 75起步了......

我想澄清一下，因为我面的偏ML scientist/MLE所以我都有刷题保持手感，但是很少有公司面到medium一般都是面LC easy。。。75至少看一遍过去心不会慌，如果面的是product scientist的话不需要刷算法。

匿名者 发表于 2022-2-7 18:55
楼主方便透露一下亚麻as 降级l4最后给多少tc吗？感谢

TC最后谈到差不多是242K左右，还是在band里面。降级主要原因是小厂做的东西太小，scope不够。