干货指导

2017年8月，来美一周年之际，回头看，第一年研究生生活收获颇丰。在学校遇到了负责任的教授和靠谱的同学，一起做了很多有意思的项目，课余时间粗略地环美旅行了一圈，领略了鬼斧神工的自然和纸醉金迷的都市，当然最开心的还是拿到了AT&T的summer intern。一路的学习和实习都得到了太多人的指点和帮助，现在我也想把自己的一点心得体会跟大家分享。

关于我所在的圣路易斯华盛顿大学，我现在所读的专业是information systems项目下的big data track。WUSTL的 Information Systems项目隶属于Sever Institute，借鉴了CMU的王牌专业MIS的模式，开设计算机课程和商科课程，且选课自由。项目共有两个方向，大数据和信息安全，我们班所有中国人都选择了big data方向。这个项目比较新，我们是第三届学生。平均每届招20+人，因为我们项目对转专业非常友好，所以大家背景比较多样，有计算机科学，电子信息科学，地理信息科学等。申请的话，托福100 gre 320应该是基本要求，但是也没有硬性要求。学长学姐以及我的同学们，本科院校跨度比较大，但是以985 211为主 。不过我们项目从今年开始合并到EE专业了，所以录取要求可能有变，以上概况都仅供参考。

当初选择我们学校的主要原因是选课比较自由，一方面是全校任意选修课，可以选computer science，information science，statistics或者其他感兴趣的课程；另一方面华大没有对于先修课程的硬性要求，这样就可以根据自己的实力和兴趣选课。这一年的学习中我发现华大的课业负担很大，需要一段时间来适应，这也让我明白选课前向学长学姐请教，跟advisor交流，还有合理安排每学期的选课计划都很重要。而且各位学弟学妹在拿到学校的offer以后，可以多跟小米邮件交流，多看看学校的官网，了解学校的课程设置，register policy和其他规定，方便入学以后事半功倍。

再来分享一下这一年我的big data学习之路吧。16 fall刚入学的时候，我机缘巧合接触到了推荐系统这个话题，觉得很感兴趣，就做了几个简单的项目，然后选了学校的cloud computing with big data application课程，在完成assignment，project和阅读相关文献资料的过程中，对开源框架、工具，主要是big data的思维模式有了深入的了解。除此之外，我发现学习big data本身的知识是远远不够的，数据处理、模型优化等都需要大量的数学知识和机器学习相关的知识。所以我也选了很多artificial intelligence，machine learning，deep learning和数学课程 。除了理论知识之外，我觉得项目经验也很重要，在此期间我知道了kaggle这个平台，做了一些基础的比赛，也看了很多优秀比赛团队的开源代码和报告，这个过程对于了解完成的数据处理分析流程起着至关重要的作用。

除了学校的学习之外，找实习也是我这一年学习生涯的重要部分，相信也是很多学弟学妹关心的话题。在聊心得之前，我们先来看一下公司的招聘流程：

Step1 公司审核的第一步就是筛选简历，考核申请者的简历是否match相应的岗位，是否满足公司招聘的要求。

Step2 通过简历关后，很多公司为了节约招聘成本，会先发一轮或者两轮在线测评，限时完成，来考察面试者的能力，就是我们常说的OA。OA以算法题为主，也会有逻辑题、debug或者性格测试等。这部分的准备主要看面经，很多公司的面经题都不会改的，基本都是原题。

Step3 如果OA成绩良好，很快就会收到公司的电话面试邀请，一般用skype或者电话。每个公司的电面两轮到五轮不等，特殊情况下可能会有加面。需要注意的是，除了technical面试之外，还会有一轮behavoir interview，主要是hr打电话来聊一下简历上面的项目、技能之类的东西，也会问问你对于公司的了解程度，以及自己的定位，还有一些类似于“五年后你会做什么”之类的问题，这轮面试也很重要。

接着来聊一下我觉得在每一个环节中值得注意的部分：

简历中最主要的模块是实习经历、项目经历、技能和GPA (排名分先后)，当然我准备的是一份比较普遍的简历，如果你有research经历、发表的文章，或者很重要的奖项，可以等价替换掉其中任何一项的。

先说说实习经历。这个主要在找全职的过程中会非常有用，因为HR会默认工业经验更有含金量，事实上在我实习的过程中，包括听很多在别的公司实习的朋友聊起，都觉得工业界的经验确实要比学校的项目经验重要很多，一来工业界开发要用到很多开发工具和开发系统，二来课程项目都做了最严格的简化，基本算是无菌环境，而工业界的项目则更复杂，有挑战性的多。关于实习的含金量，一般来讲是美国大公司﹥美国小公司﹥中国大公司﹥中国小公司。我个人建议，能找到美国的实习就一定不要找国内的，因为美国这边的公司对于国内实习经历的认可度还不是很高。举个例子，三月份我拿到了AT&T 和 BAT某公司的实习纠结去哪个的时候，一位amazon在职的学长跟我说“你问问美国人几个听说过xxx的”。

其次简历上的项目经历也值得反复修改，不断完善。对于计算机相关岗位来讲，说一千句不如一个项目来的有说服力，所以在选课的时候，要尽量选有final project的课程，一方面可以填充简历，另一方面是很好的工程经验。如果简历上的项目不足，又刚好选不到出项目的在校课程，可以选择一些网课，比如说coursera，udacity或者udemy，都有很多类似的项目课程。对于写在简历上的项目，要出彩，而且对于每一个item都要非常懂，否则面试时如果被问到了又说不出所以然，就会很麻烦。顺便说一下，如果想找big data的工作，最好要有相关的项目在简历上，因为big data算是细分的track，跟普通的软件工程师还是有一些区别的。

除了实打实的实习经历和项目经历之外，写在简历上的技能也是hr会关心的部分，计算机语言、开发工具、开源框架、数学基础等，都可以算作技能，但是同样需要注意的是，每一个痘一定要是真正会的，因为面试很可能会被问到，如果不会的话，是很有可能直接挂掉的。

GPA好像是中国学生最在乎的part，但是在找工作的过程中，其实GPA相对来讲并没有那么重要，只有少数的几个公司卡GPA，否则的话，3.5以上是绝对不会减分的。

除了这些部分之外，你可能会说，如果你的学校不是名校怎么办？据我所知大部分大公司是不在乎学校的，所谓“英雄不问出处”，而相比之下，一些初创公司反而会在意背景。

当简历的内容写好以后，还有很多别的的东西需要调整。格式、语法、排版、平衡性等问题都对简历的成功与否起着至关重要的作用，也就是简历的可读性，换言之，如果拿到你简历的hr都没有兴趣读完，更遑论从中发掘到你的潜力了。所以我觉得一份好的简历一定要注意，语法正确、叙述风格统一、重点突出、格式合理、排版整洁，还有就是各个部分的平衡性要好。

简历完成后可以找别人帮改，也可以找学校的career center预约修改。

当我们手握一份优秀的简历之后，如何用它敲开公司的大门就成为了下一阶段的重要目标。首先，我们如何凭借这份简历拿面试资格呢？

总的来讲有两种途径，第一种就是找内推，内推的简历会放进公司的内推简历池里，这样被看到的机率会大大增加。找内推效率最高的是平台是career fair，其实严格来讲career fair不算是内推，但是跟内推的效果相似，甚至效果更佳。所以学校career fair的时候一定要穿的正儿八经地去推销自己，公司能来就说明对你们学校的人才是认可的，所以拿到面试的几率也会大很多，而且很多公司会在career fair的周末进行on campus面试，这种面试机会也是一定要把握的。

除了career fair，还要在linkedin上找到各种校友资源，请他们帮忙内推，或者可以直接联系recruiter，说明自己的背景和求职方向。除了linkedin，还有其他平台会不定期有人发内推消息，比如说一亩三分地。

还有很多的小公司可能内推不是很方便找，可以直接海投。这些公司的信息可以在glassdoor上或者indeed上找到。

在接下来的准备面试的环节，我重点做了这些工作：

美国的公司面试主要针对能力的考察，不会假设你会很多特殊的算法，所以难题常有，怪题不多，关键是要好好刷leetcode，熟悉常用的数据结构与算法，还有常见的题目讨论。关于怎么刷题，各种论坛上的经验帖，总结帖有很多，我在这里就不赘述了，有兴趣的朋友可以去看一下。除了对于算法的考察之外，Big data面试问题涵盖面比较广，系统设计，机器学习算法，Hadoop等开源框架和工具，统计知识，数据库知识等都会被问到，平时一定要注意积累。

一亩三分地还有glassdoor上有很多公司常见问题的总结，在拿到面试之后一定要注意收集整理。面经的科学打开方式一定要注意两方面的内容，一部分是常考的题目，要确保自己可以在规定时间内解决这些问题，另一部分是看公司面试的风格，知道要避开哪些雷区。

拿到面试之后一定要把简历的内容梳理一下，可以适当写一些文字性的东西，帮助自己明确细节，避免面试的时候紧张，大脑一片空白。

一定要在面试前反复，跟小伙伴一起mock interview。当然也要多面试，拿小公司练手，慢慢就知道面试的常见套路了，说话也不会紧张。

除此之外，关于面试，我觉得有两个事情是一定要清楚的：

1. timeline。一定要在刚入学就开始收集相关信息，准备实习，不要觉得时间还早。

2. 心态要好，一方面，面挂十家公司不算多，另一方面，海投的回复率很低，石沉大海是常态。

说了这么多，我还想跟大家分享一下自己对于big data求职现状的一些总结。

首先，big data的应用有很多，例如推荐系统、公司内部优化工具等，而且不仅仅在互联网行业，它在医疗、金融、教育等行业也有着广泛的影响，这给转专业的同学提供了很好的机会，可以根据自己的背景选择最适合的行业。相较于传统的软件工程师来讲，big data engineer的需求呈上升趋势，但是绝对需求量仍然较小，所以相对来说实习和工作都更难找。在面试过程中，除了基本的算法题之外，big data engineer会涉及到大量的系统设计题和开源框架的应用，所以平时要多积累相关知识。在找各个公司opening position的时候，要注意big data engineer的titel五花八门，甚至有些就叫software engineer，所以一定要耐心地根据职位要求精心甄别。

这个夏天在AT&T实习的三个月学到了很多东西，工业界的开发工具跟学校用的有很大的差别，项目也复杂的多，所以把握机会接触不同的平台和工具会有很大的收获。在纯英文的环境中工作，相比于技术，对于中国学生来说，更大的挑战可能是一些“软实力”的部分。比如说如何提问，如何解析mentor和同事的解答，如何充分的表达自己，这些都会让我们的工作事半功倍，也能在交流的过程中让mentor加深对你的了解。我们实习会有两次presentation，在准备的过程中会发现美国人和印度人对于presentation的重视，以及presentation的能力都值得称赞，我们有时候会觉得，作为技术人才，领导力不重要，但是在工作的过程中，恰恰是这些展示自我的部分将大家区分开。在实习快结束的时候一定要积极去跟mentor或者manager聊return offer的事情，如果自己组没有headcount的话，就要去跟别的组networking，找到有budget的组面试。

说了这么多，也算是把自己这一年的心得体会经验教训总结的差不多了，最后也希望学弟学妹都能找到心仪的实习和工作。