背景

　　统计美硕，学校排名100+，在校期间做过两份实习，全职工作找了8个月，投了2500+简历，收到5份全职offer。

　　面试的ds工作主要分为modeling和analytics两个方向。

　　投简历

　　找工作最重要的事情就是投简历。毕竟，任凭你再厉害，recruiter看不到你的简历还是白搭。

　　我主要使用领英，双休日会刷一刷indeed，没时间只用领英我觉得也够了，只看过去24小时的工作。

　　这里有一个省时间的小技巧，如果找全职且要求sponsor，可以打开一亩三分地的visa tracker—h1b salaries输入公司名字去看有没有sponsor的记录，如果没有就不用投了。实习且不想return的话可以不考虑这一点。

　　EAD卡

　　建议大家提早申请opt即使没有offer，时间可以定在毕业后60天开始。

　　因为当你毕业了且EAD卡在手，这是你拿到offer最好的时候，会有大量的公司希望招一个尽快入职的员工，你与很多没收到卡的候选人相比，已经不战而胜了。

　　DS内卷

　　写这篇面经的其中一个目的是告诉大家，即使大家背景一般，身边人人喊卷的今天，只要踏踏实实的做好准备，还是很有可能成功上岸的,不仅仅是我自己，我身边也有背景普通的同学找到了工作。

　　个人不是很喜欢内卷这个词，觉得像是一种变相的抱怨。即使事实是卷的，然后呢？你的方案呢？要转码么？要回国做别的方向的工作么？还是踏踏实实努力抓住手中的机会？想好第二个问题可能对于解决困境更加重要。

　　Networking/informational interview

　　如果是本科生或者一早就打算进industry的phd可以做，如果时间不够长像是一两年的硕士，就不建议在这里花时间，我听从mentor的建议做了超过100个informational interview但说到后来大家的建议都比较雷同。

　　而且我们的目标是找到一份工作，我确实也听过通过这种方式找到工作的，但需要花费大量的时间成本，讲到底要通过面试还是要真本领，在校时间宝贵，等正式进入职场再积累人脉也不迟。

　　面试准备

　　以下是8个ds面试可能考到的方面，建议大家每次面试后参照这写点好好想想，是否还有哪个方面可以再提高。如果最后觉得问题都不大，那么你就已经离dream offer不远了。

　　1.Technical questions

　　这部分看起来繁杂，但其实都是基于解决ds的实际问题问出来的，所以我认为可以分为做一个ds project的三个阶段来准备

　　a.Preprocessing:

　　1)解决Missing value:imputation or delete

　　2)Outlie:可以用sorting或者Z-score+Boxplot来检验然后用capping或者是remove的方法来处理

　　3)Encoding:labeling encoding,one hot encoding

　　4)Feature selection:这个在建模前可以考虑Removing features with low variance（i.e.,Not informative）;Univariate feature selection(i.e.,Chi Square test,F test,multual informational analysis);PCA;Business related;Stepwise。建模之后可以考虑L1 regression/regularized tree

　　b.Model Building：

　　常见的模型其实没有大家想象得多，大家准备一下这些足矣

　　logistic regression，linear regression，decision tree，Regression Tree，random forest，xgboost(gradient boost)，Ada boost，SVM，KNN，Naive Bayes，K mean除了知道怎么用，我们还需要知道他们对应的⬇️

　　1）cons and pros（比如如何比较random forest和boosting method，如何比较adaboost和xgboost）

　　2）各个模型对应的parameter（比如svm中的gamma和C parameter分别控制着什么）

　　3）technical details（比如怎么得到k-means的optimal k，linear regression的assumption，如何得到logistic regression的coefficient）

　　c.Evaluation:

　　这也是一个常见的问题，如果直接问如何evaluate一个模型，回答前两种情况的后面三个小点即可，第三个方面其实是另一个问题，每个小点也要了解，防止有follow-up

　　1）Classification:trade-off between type 1 and type 2 error;predicitve capacity(accuracy);overfitting

　　2）Regression：multicollinearity;p value;Mean square error or r square

　　3）imbalance data:Collect more data,用tree-based model,resample,cross validation

　　2.Product sense:

　　就是各种视频和framework，再加上面试前对公司产品的思考，比如在面试quora的时候他们问，为什么我们做thumbdown但是不显示数量，这就倚仗你对产品的思考了。

　　3.Take_home_challenge:

　　我大概挂过10次，感谢第10次那位manager给我念了feedback我才终于开始理解怎么准备，之后基本就没挂过了。

　　其实这就是一次考试，无关你的writing，无关你的结构，甚至不是你的模型，而是你有没有自圆其说且踩中得分点，而他们的得分点其实就那么多。比如，大部分的数据在做classification模型的都是imbalance的，那么你要提出，因此我使用random forest和cross validation来对抗它。

　　最好有一个pie chart进一步直观解释。更深一层，你可以提出这样的问题对type1和type2 error的影响，结合你面试公司的business，哪一个error对公司的影响更大。

　　比如对于检验癌症，type2的影响就更大。我附了我做的check list来总结一些常见的问题，大家有兴趣可以参考一下，我是按照做project的7个阶段来总结的，在做的时候把它放在旁边对照，防止遗漏得分点。更加有效的可能是大家按自己的思路再做一份。

　　4.Python manipulation:

　　建议大家找一个文档，专门保存一些常用的code，比如groupby的用法和变式。长期的积累可以帮大家在下一次做project的时候节省大量的时间。

　　5.SQL：

　　SQL本身没啥难度，多练就好，Leetcode足矣

　　6.Resume:

　　没事拿出来看一看，可能每次都会修改一下，做成更好的expression，另外，做好每一字都被深挖的准备，我认识一位同学，就是因为写了一个cnn的project在简历里面但是一时语塞没说清，丢掉了offer。

　　7.Presentation：

　　这个我遇到过两次，现场给一个数据，给定时间，然后present，我认为这更多的还是对于口才的要求，因为那么短的时间你能做的也就是自圆其说，在这里提出来是让大家有一个心理准备，也会有这种形式的面试。

　　四个小锦囊

　　找工作有时候像是孤帆远航，不确定自己现在在哪，也不知道下一个补给站多久能到。下面四个阶段都是自己亲身的经历，适合大家在这四个不同的找工作阶段打开看看，希望可以从中获得一些鼓励。

　　1.刚来美国或者刚刚决定找ds的工作，且学校项目至少还剩一年

　　如果你是硕士而且只有一个summer，那么你最重要的事就是在那个暑假找到一个实习，如果return了，那么万事大吉，躺平继续接competing offer。

　　如果没有，这份实习大大增加之后投工作时被recruiter看中的可能性。如果你有更多的时间，那么思路是一样的，实习越多，公司越有名，在投全职工作的时候得到面试的几率就越大。

　　2.一周收到少于等于一个面试

　　如果投简历量到了的话（至少20/每天），可能是简历的问题，简历找career service或者别的professional看看简历，这里推荐一个领英的活动里面有大量的国人愿意提供这方面的帮助。可以点击阅读原文查看链接。

　　3.一周至少两个面试，但基本都挂在take-home-challenge或者店面

　　建议回到这篇帖子面试准备的部分，看看自己的哪个部分有问题。

　　4.挂了至少三个onsite

　　恭喜，你的offer马上就要来了，请请请再坚持一下，挂了5个onsite的在这里陪你，你一定可以！！！！