前言: 纵使每个人的求职经历与感受，如人饮水，冷暖自知，但秉着取之於ptt，用之於ptt的精 神，分享一个北美CS博士班找工作的历程。 背景: CS PhD in MLE@美国东岸大学 Master in ECE & Undergrad in EECS @ 140.113 博班期间阿里北美Intern x 1 LeetCode从找实习开始刷，中断一段时间，找工季前又开始密集刷，直到找工季结束，共 约350题(easy 111 – medium 229 hard - 13) 学习资源: 很多前辈们都分享过丰富的学习资源，但每个人适用的学习方法不同，这里仅列出我实际 使用的。 --- 刷题方面 --- 博班期间修过两次演算法课(大学部+研究所)，经典算法及资料结构基本熟悉，所以没有 额外再读演算法教材，只有刷LeetCode练习。我觉得对我比较有帮助的刷法是，题目如果 半小时想不出来解法，我就会直接看解答或是讨论区，有时候思路大方向是对的，有时候 完全没想法，但务必确认自己看完解答之後了解算法的逻辑，套用逻辑直接写一遍，隔几 天再回头写一次。 接近面试前，我习惯刷题的时候给自己模拟面试的感觉，看完题目後，我会先口述不同解 法，并习惯在视窗上打下一些关键字，分析时间/空间复杂度，接着再开始写程式码。如 果有练习夥伴，实际模拟面试，会很有帮助。 举例: search a number in sorted list """ 1.Brute force Iterate through the list Time: O(n) Space: O(1) 2.Binary search Sorted list, iteratively compare mid point and key Time: O(lg n) Space: O(1) Recursion or while loop """ 邻近面试前，参考Blind Curated list (https://leetcode.com/list/5mz5eyue)复习， 搭配一些衍伸的经典题&tag题。 --- ML basics & System Design 方面 --- 我投递的都是MLE相关的职缺，或多或少都会有machine learning basics & system design的问题。ML basics的部分，约80%都是学校ML课会教的内容，例如bias-variance tradeoff, overfitting是什麽这类的，或者deep learning networks的问题。我面试前 ，参考网路上的讲义大致复习 (https://github.com/hetvidesai03/Algorithm_Interview_Notes-Chinese)。另一方面 ML system design，虽然问题表面上五花八门，但我个人见解认为，对於new grad来说， 核心都是能否阐述一个合理的流程，脱离不了以下几个关键，厘清问题，数据收集，建立 模型，评估模型。具体网路上很多可以参考，分享几个我觉得很有收获的。 浅谈ML design推荐系统面试心得 (https://www.1point3acres.com/bbs/thread-490321-1-1.html) Google ML system design mock interview (https://www.youtube.com/watch?v=uF1V2MqX2U0) DNN for Youtube Recommendation (https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/45530.pdf) A Short Introduction to Learning to Rank (http://times.cs.uiuc.edu/course/598f14/l2r.pdf) 个人很推荐多看一些Youtube上mock interview的影片，除了了解可能会被问到的问题， 也可以学习受访者如何架构自己的回答。 面试过程: 海投N家，以下仅列出有得到面试机会的公司。 eBay Applied Researcher -12月底Referral -1/11 Virtual onsite (VO) 四轮面试+一轮Hiring manager 面试内容主要就是程式问题(LeetCode low medium - medium) + ML basics + ML system design -1/15 通知结果 Microsoft Applied Scientist 官网投递履历 -1/22 HM email reach out -1/29 1st phone interview (research background让我介绍我的研究，提了一些问题讨 论) -2/18 VO 四轮面试 一轮programming + ML design (programming题目，让你尝试用ML方法做) 两轮programming + ML basics 一轮 ML design -3/31 通知结果 Bloomberg AI Group Research Engineer 官网投递履历 -1/22 HR phone reach out -2/10 1st phone interview (programming LC medium + ML basics on NLP transformers) -2/26 2nd phone interview (programming LC medium + ML basics) -3/18 VO 三轮面试+一轮manager 前两轮都是ML basics + system design，第三轮programming LC high medium -4/6 通知结果 Amazon Applied Scientist / Data Scientist Referral for applied scientist -2/8 HR email reach out -3/2 1st phone interview for applied scientist (programming LC medium + ML basics on deep neural networks) Programming没面好 -3/9 通知改面试Data Scientist职缺 -3/15 1st phone interview for data scientist (programming LC low medium + ML basics) -3/17 通知可以再改回面试Applied Scientist -4/8 2nd phone interview for applied scientist (介绍自己的一篇publication&讨论 + programming LC medium) 面试官挑了一篇不是他熟悉领域的文章，让我解释来龙去脉，过程中他会不断挑战我动机 以及方法合不合理，讨论地比较深入，以至於面试完我提问时，他才想到要考coding，最 後延长15分钟考完。 -4/15 通知进VO，但已经决定去其他公司，故终止面试 结语: 三生有幸，找工季的结尾，是得到一个很好的机会去挑战下一个阶段。最大的感想就是， 努力固然很重要，缘分加上一点运气也是不可或缺，哪怕是平时有心无心的networking， 履历刚好被HR看到，面试官看重的评量项目，还有很多其他的因素，都不是我们能掌握的 。试着从那些欠缺一点运气的经验中尽量汲取养分，其他的就怪给缘分吧。最後，祝大家 找工作顺心! --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 71.58.98.41 (美国) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1628097117.A.D2D.html