04_短期上岸美国大厂DS intern的经验和准备资料
04_短期上岸美国大厂DS intern的经验和准备资料 (English Translation Coming Soon)
短期上岸美国大厂DS intern的经验和准备资料
秋招季真的已经开始了！时间真的不多了，对于我们这些想在美国找个DS实习的留学生来说，现在就是冲刺的黄金时刻。说实话，每年这个时候我都焦虑得不行，感觉再不抓紧就来不及了。朋友圈里，A同学晒出了meta的面试邀请，B同学已经拿到了亚麻的offer，再看看自己，简历还没改到最满意，Kaggle比赛刚打了一半，心里那叫一个急啊。踩过坑的人都知道，准备DS实习这事儿，战线不能拉太长，但每一步都得踩扎实了。今天就跟大家掏心窝子聊聊，怎么在有限的时间里，高效准备，争取一举拿下大厂的DS intern offer。
首先，简历关是第一道坎，也是最难的一道。你的简历就是你的敲门砖，尤其是在海投阶段，HR可能就花几秒钟扫一眼，而且现在很多公司都用ATS (Applicant Tracking System) 来筛选简历，如果你的简历上没有匹配到JD里的keywords，可能连HR的面都见不到。所以，简历上一定要突出重点，把最亮眼的部分放在最前面。对于我们DS岗来说，最重要的就是Projects和Skills。我当时的简历，就把项目经历放在了教育背景之后，紧接着就是技能清单。项目经历这块，千万别写得像个流水账，一定要用STAR原则（Situation, Task, Action, Result）来写，突出你在项目里具体做了什么，用了什么技术，最后取得了什么成果。比如，你做了一个用户流失预测项目，不能只写“负责用户流失预测模型”。你要这么写：
Situation: 公司面临用户流失率上升的问题，需要提前识别高风险用户。 Task: 我的任务是利用历史用户数据，构建一个机器学习模型来预测未来一个月内可能流失的用户。 Action: 我独立完成了数据清洗、探索性数据分析（EDA）和特征工程（Feature Engineering），对比了Logistic Regression, Random Forest, 和XGBoost三种模型，并采用SMOTE方法解决数据不平衡问题。最后，我将模型部署为一个简单的API，并用Tableau制作了一个Dashboard方便业务部门实时查看。 Result: 最终模型在测试集上的AUC达到了0.88，成功帮助业务部门识别了80%的潜在流失用户，并通过精准营销活动将流失率降低了5%。
你看，这么一写，你做了什么，怎么做的，成果如何，一目了然。说实话，一开始我的简历也写得乱七八糟，后来找了已经在Google工作的学长帮我改了三四遍，才慢慢有了样子。他告诉我，大厂的HR都喜欢看有impact的描述，你的action要能直接导致一个可以衡量的result。
技能清单这块，也别什么都往上写。一定要跟你投递的岗位JD（job Description）相匹配。现在大厂的DS岗，基本上都要求SQL和Python。SQL是重中之重，面试必考。Python的话，Pandas, NumPy, Scikit-learn这几个库一定要滚瓜烂熟。另外，像Tableau或者Power BI这种数据可视化工具，至少要会一个，因为data Storytelling的能力非常重要。如果你的目标是更偏Machine Learning的DS岗，那PyTorch, TensorFlow这些Deep Learning框架也得写上去。还有，现在很多公司都看重Cloud Computing的背景，所以如果你会用AWS, GCP或者Azure，那绝对是加分项。我还想强调一下Git，这个版本控制工具虽然看似不起眼，但却是团队协作的基础，一定要会用。
搞定了简历，下一步就是疯狂刷题。DS的面试，技术面一般分好几轮，主要考SQL, Python编程，还有就是机器学习和统计的知识。SQL题我推荐大家去刷LeetCode，上面的题目基本涵盖了所有常见的考点，比如各种JOIN, Window Functions, Subquery, CTE等等。刷题的时候，别光顾着看答案，一定要自己动手写。Python编程题的话，难度一般不会像SDE那么高，主要考的是数据处理能力，比如用Pandas做各种data Manipulation。
机器学习和统计知识这块，就得靠平时的积累了。面试官很喜欢问一些开放性的问题，比如“如何处理imbalanced data？”，“L1和L2 regularization有什么区别？”，“A/B Test的流程是怎样的？”等等。这些问题没有标准答案，主要考察你对基本概念的理解和思考深度。比如A/B Test，你不能只说把用户分成两组比较CTR。你要能讲出实验设计的完整流程，包括如何确定实验单元，如何计算样本量，如何保证实验的statistical power，以及如何分析和解读实验结果，甚至还要考虑Novelty Effect。我当时是把《The Elements of Statistical Learning》这本书翻来覆去看了好几遍，然后结合网上的一些面经和博客，自己整理了一份笔记。面试的时候，能把这些概念用自己的话讲清楚，再结合一些实际的例子，面试官就会觉得你是个有思考能力的人。不得不说，这部分准备起来最花时间，但也最能体现你的专业素养。
除了技术面，Behavior Question (BQ)也千万不能忽视。很多同学技术很牛，但就挂在了BQ上，真的非常可惜。BQ主要考察你的软技能，比如沟通能力、团队协作能力、解决问题的能力等等。准备BQ的最好方法，就是提前把自己做过的每个项目都梳理一遍，然后针对每个项目，准备几个可能会被问到的BQ问题。比如“你在项目中遇到的最大挑战是什么？”，“你和团队成员有分歧时是怎么解决的？”。回答的时候，同样要用STAR原则，讲一个完整的故事。我当时准备了大概10个左右的故事，基本覆盖了所有常见的BQ问题。面试的时候，不管面试官问什么，我都能从我的故事库里找到一个合适的例子来回答。
最后，我还想吐槽一下，找实习这事儿，心态真的很重要。中间肯定会遇到很多挫折，比如简历投出去石沉大海，面试挂了一轮又一轮。我当时也有一段时间特别emo，感觉自己什么都做不好。但后来我想明白了，找工作本来就是一个概率游戏，你唯一能做的，就是不断提升自己，然后坚持下去。每次面试挂了，我都会厚着脸皮给面试官发邮件，问问自己哪里表现得不好，然后下次改进。说实话，大部分面试官都不会回复，但只要有一个回复了，你就能学到很多东西。我记得有一次面一个我很想去的公司，自我感觉良好，结果还是挂了。当时真的挺难过的，甚至开始怀疑人生。但冷静下来之后，我复盘了整个面试过程，发现自己在一个关于causal inference的问题上答得不是很好。于是我花了一周时间，把相关的知识点重新学了一遍。后来在另一家公司的面试中，又被问到了类似的问题，这次我就答得非常有条理，最后也顺利拿到了offer。所以，失败真的不可怕，可怕的是一蹶不振。
说了这么多，感觉有点啰嗦了，但都是我的肺腑之言。希望对还在挣扎的你有所帮助。秋招不易，大家一起加油！
资源推荐：
- 刷SQL题：LeetCode。建议刷medium和hard难度的题，特别是window function相关的。DataLemur也是一个专门针对DS面试的SQL练习平台，题目更贴近实际业务。
- 统计学习基础：《The Elements of Statistical Learning》和《An Introduction to Statistical Learning》，这两本是经典教材，面试前一定要多翻翻。StatQuest with Josh Starmer的YouTube频道也超级推荐，他能把复杂的统计概念讲得非常清楚。
- 数据科学面经：Medium上有很多大神的分享，可以多搜搜看，比如Towards Data Science这个publication就有很多高质量的文章。Glassdoor上也有很多公司的面经，可以作为参考。
- 简历修改：可以找学校的career Center，或者已经在工作的学长学姐帮忙。付费的简历修改服务我没用过，感觉效果因人而异。
- 模拟面试：Pramp这个网站可以和别人免费进行模拟面试，非常推荐。可以帮你提前适应面试的节奏和压力。也可以找同学朋友一起mock，互相提意见。
#美国求职 #DataScience #数据科学 #DS实习 #大厂实习 #秋招 #留学生求职 #面试经验 #求职干货 #经验分享