亲爱的用户,你好:为了提升您的访问速度,我们根据您的IP地址,为您推荐直接浏览Dealmoon中文站。
请选择:
继续浏览中文站 浏览英文站
篱笆老师
篱笆老师
关注
篱笆老师 11 知识达人
1 关注 316 粉丝 1134 被喜欢

发布了晒货 3星期前

Indeed Data Director教你来做职场升职规划

2023年新的一年职业发展计划怎么做?不管是职场萌新还是在寒冬瑟瑟发抖的同志,你需要学习职场升职经验☺️本周六我们邀请到了篱笆Sunny导师--Indeed Analytics Lead,来和大家分享如何和老板高效做1-1来加速职业发展?如何快速上手新项目产生impact?如何培养自己的Leadership style!欢迎报名参加!

晒货图片

发布了晒货 3星期前

篱笆学员Z的转行之路:要做就做互联网大厂的分析师

本期学员:Z同学 学历背景:Boston University/University of Minnesota 专业:数学/统计学 工作经验:NJS SAS Programmer 实习经验:Citi Bank Quantitative Risk Intern、China Securities Co.Ltd Research Analyst Intern Tommy导师:  纽约大学数据科学硕士 ,Pinterest数据科学家,HBO Max Data Scientist,曾斩获Snap, Grubhub, TikTok等公司数据科学offer  编者按: Z同学基于统计学的研究生背景,毕业之后在波士顿的NJS工作,岗位是SAS Programmer,主要是帮助药厂做k、做trial,以及statistic program。目前想尝试往DSA方向去跳槽,但却发现自己对于面试所涉及的知识点比较缺乏,对答题的框架技巧比较模糊,所以Z同学准备通过专业机构再系统性培训一下求职面试,增加一份面试互联网大厂的把握。 不将就——怀揣着对互联网大厂的向往 Z同学深知目前大环境总体趋势不好,但是对互联网大厂始终充满着向往,在他看来他想要转到互联网大厂有以下几个原因: 1.目前所处行业比较老,自身想要追求新鲜事物 2.薪资待遇和各种福利好,能够保障自己的生活质量 3.能够学到更多、职业发展机会多 追求梦想的道路并不一帆风顺 1、经济大环境不好: 最近许多大厂都在裁员,甚至有一些大厂可能freeze到明年9月。岗位也相对缩减,同时Z同学表示自己也不是很想去比较小的公司,综合而言经济大环境影响下,岗位选择空间较少。 2、不是应届生的局限: 因为不属于校招范围,但一部分岗位是面向2023应届生的,导致可选择的岗位变得更加局限。 3、 H-1B抽签结果 如果在2月1日抽不到H-1B,或者如果到时候的公司不能办理身份的话,那也只能回国了。 缘起B站——通过视频了解到篱笆教育 和“篱笆“的缘分要从偶然间在B站刷到篱笆老师的视频说起。偶然间刷到篱笆老师7.20的模拟面试视频,是篱笆教育的Ying导师分享的causal inference的面试真题。Z同学当时就感觉Ying导师讲的内容非常清晰,逻辑清楚。并没有像一般的机构老师一上来就讲真题内容,而是会先通过对causal进行讲解作为铺垫,循序渐进地再讲解真题内容。Z同学认为虽然是公益讲座,但讲得内容基本都是干货,感觉篱笆会是一个非常负责的机构。Z同学在进一步了解篱笆之后,感觉篱笆所提供的课程也比较符合他自己的需求,最后也就选择了篱笆。 来自Tommy老师的帮助     在Z同学的眼里,Tommy老师是一个非常负责任和专业的老师。每一次上课Tommy老师都会准备好Google dot,提前罗列教学大纲。因为Z同学对面试知识点和框架比较欠缺,Tommy老师也会结合Z同学的自身情况,提供一些sample answer和答案的框架。Z同学说:“在上Tommy老师的课之前,我也会去网上或者小红书上寻找资料,但是找到的资料答案普遍都不太完整,资料的质量也参差不齐。但是Tommy老师在课上讲授知识点和框架时,逻辑性强且非常有条理,一学就懂。”Tommy老师的专业性也是Z同学非常认可的,他说无论什么问题Tommy老师都能反应很快地给出答案。 虽然大家都在说互联网求职的寒冬已来临,但我们依旧要有奋力一搏的勇气,让我们祝福Z同学能够在篱笆老师的帮助下不断进步蜕变,拿下梦想中的offer!

晒货图片

发布了晒货 1月前

Jeremy的求职路:篱笆的CS辅导对初准备CS求职的我刚好

本期学员:Jeremy 学历背景:美国本科、研究生 专业:CS 工作经验:无 实习经验:无 不要轻易让OA机会溜走 Jeremy没有实习经验,对求职的过程比较迷茫。他不知道面试官需要什么样的简历,没有实习经验能不能找到工作,所以他决定先进行课外辅导。他觉得,合适的简历是拿到OA的敲门砖,一旦拿到OA,他的目标就是必须通过。 在求职期间,篱笆教育的CS导师Kevin帮助他修改了简历。因Jeremy没有实习经验,Kevin帮助选择性突出了简历中CS相关的经历部分,让简历看上去和职位相匹配,并进行了语法问题的修正,让面试官看起来更顺畅。 mock能提高临场应变能力 他经历过第一轮的面试,一家大型交易公司的面试题让他印象深刻。面试官让他用python写一个Object-oriented Design的方案,这道题他从来没接触过,加上时间比较紧张,所以就放弃了。类似的问题还有很多,当面试一个service engineer的职位,像computer architecture的问题因为细节记不清楚了,所以结果并不理想。 他发现,除了编码之外,他需要更多的辅导,比如临场发挥,是阻碍他拿到offer的原因。他相信临场应变的能力是可以训练的,模拟面试kevin导师可以给他当面的反馈,让他弥补这方面的不足。 课外辅导与校内课程之间存在巨大差异 体验了课外求职辅导后,他发现校内外学习有诸多差异。学校里的教授虽然优秀,但讲课速度很快,理论偏多、实践性不足。虽然跟随教授学习了很多关于算法的细节,但是他仍然觉得跟随篱笆导师Kevin体验CS实战学习是很过瘾的事情。 他觉得 Kevin导师的特色是讲得“很清楚”、“很直接”,因为很多解法都是他从来没有想过的,有些题目,Kevin导师会帮他总结出一些公式,让他在临场发挥中更游刃有余。这是他来上课之前从来没有体验过的事情,但是现在看来,很多面试困扰都迎刃而解了。 cs学习 规划时间很重要 和很多男生一样,Jeremy是一个游戏迷,所以课外辅导是督促他学习的一种方式,时间表是每个CS学习者必备的。除了娱乐、锻炼时间,Jeremy会合理安排CS的学习时间。篱笆导师的教学时间也是根据学员的时间安排的,非常灵活,所以Jeremy他会在48小时内,规划好之后每一步,这样才能最大效率地鞭策自己进步。 sde岗位非常适合 cs初学者 Jeremy的求职目标是sde,锁定求职目标之后,接下来将会是大规模地投递。除了在篱笆教育自建的社群寻找内推信息,还有领英等北美知名招聘网站,还有一些第一时间放开招聘政策的企业官网。 他认为sde更适合更简单、更适合CS初学者,因为sde更重视写码和优化能力,其他比如quant这样的职位,除此之外,还要关注求职者对数字逻辑的理解能力。 要有绝处逢生的信心 他认为不管自身是不是足够优秀,new grad都缺乏求职足够的资源和信息,这时候有一个在名企有丰富求职和面试经验的导师来做引路人,投资回报率还是很高的。 他认为,虽然目前的求职市场看起来非常不乐观,但是始终要相信绝望之处是希望,自己离毕业还有一段时间,他相信他觉得他只要准备充分,不打无把握之仗,new grad上岸的机会还是有很多的。 如果有和Jeremy经历相似,想沟通一下学习感受的同学,可以通过以下方式联系: 邮箱randomcvorg@gmail.com

晒货图片

发布了文章 1月前

无实习非名校,北美转码上岸攻略 (下)

篱笆老师
篱笆老师
0 7 12

发布了晒货 1月前

无实习非名校,北美转码上岸攻略 (上)

近几年计算机行业的“高薪”吸引着越来越多的小伙伴决定“转码”,但也有很多小伙伴咨询“学校不是名校,也没有相关实习,在现在越来越卷的情况下,还有上岸的可能吗?”。那么,根据我多年面试官的经验,今天就和大家分享一下,在无实习,非名校的情况下,如何成功北美转码上岸,拿到自己心仪的offer? 这期内容,我将从简历投递,丰富简历内容和面试三个方面详细讲解如何准备,有需要的小伙伴赶紧收藏起来吧! 第一点:简历投递 简历投递是求职中的重中之重,很多时候一个岗位只招1-2个人,但是却有好几百人投递,先一步投递就会有更大的概率被看见,在这里,我给大家介绍三种岗位投递途径,提高求职效率: 1、Github:https://github.com/coderQuad/New-Grad-Positions-2023 有一些github开源项目会跟踪很多公司岗位的开放情况。大家可以使用PR来查看最新的岗位更新情况。 2、公司的官网:对于一些特别想要去的公司,可以去它们的官网上订阅它们的职位发布情况。 3、内推:对于任何公司,都强烈建议同学们有条件尽量找内推!大部分公司内推能够保证简历一定会被HR看到,有些公司内推甚至还能免一轮OA或者Phone Screen。 第二点:简历 简历是决定同学们能不能得到OA和面试的关键,一份好的简历能够让同学们有更多机会面试,也就有更大的概率拿到offer。那么我们该如何丰富自己的简历,让hr眼前一亮呢? 简历上最重要的两个部分就是项目经验和实习经验: 对于项目经验的来源主要分为两个渠道:一是学校课程大作业和课外自己做project。如果还是在校生的话,一些课程作业完全有可能写到简历上。比如Distributed Systems 可能会让你写一个类似Google Doc的共享文档编辑系统,你可以在作业要求之外加上自己的东西,比如好看的UI,就能形成一个完整的项目。 二是可以自己做project,利用网络资源,比如:Codecademy,Coursera.Udacity等等,或者篱笆教育也提供很多适合写到简历上的项目,感兴趣的同学可以在评论区留言,大家在做project时候,不要完全照搬别人写的,一定要加入更多自己的想法。 对于实习经验部分,很多转码的同学是没有经验的,但是简历上如果有实习经验会大大提高简历通过率,在这里我也给大家介绍两个容易获得实习机会的方法: 1、学校的RA(research assistant)。很多时候学校的老师会寻求一些同学来做一些项目,可能是研究相关的比如ML AI的运用,或者是很接地气的比如给自己的项目做个网站这种,这种比较简单的RA就是香饽饽,既能够得到RA的补贴,也能当作实习经验写到简历里面,如果要读博的话甚至还能拿到导师的推荐信,一举三得。对这方面感兴趣的同学也可以在评论区留言。 2、CPT实习。长城不是一日造就的, 同学们可以通过先选择一些小公司的实习,来作为跳板,作为以后进入大厂的敲门砖,而且local的公司更愿意Hire附近学校的同学,一方面是知根知底另一方面是便宜,公司可以省去relocate fee和需要负担的房租机票钱这些。另外也推荐一些外包公司,比如Artech这类,和他们在linkedin上的HR多接触,就会有一些实习机会。 最后是简历修改部分。大家可以找native speaker挑语法错误,或者找学校的Career Fair来修改简历格式。如果同学们觉得自己的简历还需要润色,那么可以找已经入职的学长学姐来参考下简历,看看大公司更加喜欢什么样的关键词,或者找专业简历修改,大概在50-100刀。 以上就是关于如何投递简历和丰富简历的分享,下期我会继续讲解如何准备面试,如果大家对以上内容有任何疑问欢迎在评论区留言,我们下期再见~ 

晒货图片

发布了晒货 3月前

面试被问离职原因?一定要避开这些误区!

作为程序员来讲,隔几年就跳一次槽的情况是很常见的。那么在这种情况下,面试中常常会被问到的问题就是,你为什么打算从上一家公司离开啊。这是一个不求有功但求无过的问题。回答得天花乱坠不会带来什么,但是一旦答得不好,给出了red flag的话,可能就会直接触发一封拒信了。所以今天我想要教一教大家,如何用话术,让自己的离职原因听起来冠冕堂皇。 如果你是从小公司跳到FLAG,你可以说『工作还是很顺利的,但是公司规模有限,希望去一个更大的平台历练自己』 如果你是从纽约跳到湾区,你可以说『喜欢湾区浓厚的技术氛围』 如果你和你的老板同事相处不愉快,你可以说『很认同并且欣赏贵公司的产品文化和工作氛围』 如果是公司走下坡路,老板整天画大饼而你却看不到希望,你可以说『自己的职业发展与公司的发展规划不符,为了自己的个人职业发展选择跳槽』 如果你是被layoff或者fire的,即使你心存怒火,也一定要心平气和,用感恩的心态来回答,说『公司战略调整,我们部门被裁了一大半。所幸的是我们好聚好散,我也很感谢在这家公司曾经学到了很多』。这样的回答会让面试官对你刮目相看,体现你是一个重情义的人。 总结一下,就是你在回答离职原因的时候,一定要以一种感恩的心态,而不是挑三拣四的心态,因为那样子会显得你很不会做人。挑三拣四的人到了哪都会挑三拣四

晒货图片

发布了晒货 3月前

今年秋招,CS求职你一定要知道的10个Job Posting

现在很多公司都开始了slow hiring的阶段,像谷歌new grad swe的position前段时间只开放了短短五天。很多同学可能因为获得信息不及时,就直接错过了自己心仪岗位的简历投递机会。大家都知道,简历投递是求职中非常重要的一个环节,能够尽早投递简历,就有更大被hr看到的可能性,拿到面试机会。这篇文章就给大家分享一下我自己求职过程中用过非常好用的网站和求职平台,以及使用过程中的注意事项,希望能够帮助到屏幕前各位正在秋招的小伙伴。 首先是公司官网,最权威的网站,很多大厂的求职都会第一时间po在官网,大家可以把自己的dream company都标为书签,每天查看一下是否有更新。 然后是Linkedin,非常高效的求职网站,可以直接与HR connect并且沟通,也会有很多猎头一直在寻找人才,提高效率并且及时得知hiring的流程。也非常适合在官网投递没有消息以后,找HR捞一下简历。所以一定要好好整理自己的profile,选择一个比较professional的头像,在每段经历下面都可以写明自己具体做了什么,呈现出一个更加立体的简历。 Handshake也是我自己曾经使用过的平台,很多北美大学都有合作,可以通过自己学校的链接进入,找校友内推,并且查看在此公司工作过的校友评价,这些对于我们了解公司以及岗位都是很有帮助的。而且handshake都会标明公司是否sponsor H1B,非常适合留学生。有些公司需要进入链接中的官网投递,但是大部分公司可以直接在此网站上投递,所以只要写一份简历就够啦,适合海投一些小公司。 Indeed也是一个不错的网站,是整个北美最大的求职网站,也可以直接与HR沟通,效率高并且岗位全。它也有简历autofill的功能,大家投递的时候要注意根据jd,适当修改表达方式,使机筛的匹配分更高哦。 CareerBuilder是北美这里最大的招聘网站,可以找到很多不同方向的职位,并且与hr联系,资源丰富。投递方式也很便捷,并且会根据你简历中的关键字为你匹配工作,也很适合海投一些小公司。 ZipRecruiter拥有AI匹配功能,而且可以一键申请多个职位,网站也设置了自动track系统,可以实时看到投递的流程。但是缺点就是一键海投可能没办法根据jd来修改自己的resume。适合作为一个海投保底的网站。 Monster这个网站呢,可以根据自己的情况来查看某岗位是否符合自己的背景,并且有简历和CV的撰写建议,适合修改简历和评估自己是否fit。 Glassdoor一般可以用来查看各个岗位的收入和bonus中位数,还有大家的评价,工作时长,压力程度等,但是岗位不会特别全,所以适合后期用来比较offer。 一亩三分地大家肯定都很熟悉啦,上面有各个公司及时的招聘timeline,背景,以及反馈,包括有一些面经的讨论,缺点就是有些内容需要付费,还有就是帖子比较繁杂需要适当筛选。 很多北美求职的微信公众号也会定期发布最新的岗位信息,在这里也给大家推荐一下篱笆教育的公众号“篱笆成长”,我们每天都会更新北美大厂最新放出的岗位并提供免费内推,有需要的小伙伴可以关注起来! 最后介绍一个专为tech women开的grace hopper conference,就在今年的九月下旬,每年也会有10%的男性参加,所以其实性别是不限的。不方便去现场的小伙伴可以以virtual的方式参加,这个会议最大的亮点就是很多大厂的女性员工与hr都会参会,而且还有自己的简历库,可以当场与hr进行networking甚至面试,反馈非常及时,很多小伙伴都在历届的这个会议上找到很不错的工作或者实习。 以上就是今天的分享,如果大家有其他推荐的Job Posting网站,欢迎在评论区留言,分享给更多有需要的小伙伴,我们下期再见~

晒货图片

发布了晒货 3月前

同样是计算机专业,国内和国外教育差异在哪?

众所周知,国内每年计算机科班毕业的学生因为不会写代码找不到工作或者转行的大有人在。反观在国外,最好的计算机专业在斯坦福、CMU, MIT等院校,并且很多计算机行业的顶尖人才也大多集聚在北美硅谷。这里可能会有同学问了,国内外CS人才培养真的存在差距吗?篱笆老师从自己在清华学习和CMU学习的经历总结,的确是存在着不小的差距的,但也不是说没有办法通过自己的努力来弥补这种差距,下面篱笆老师就展开为大家分享一下。 第一点:教材质量落后 大多数国内高校计算机专业所用教材要么是自己学校编写的,要么是比较老旧过时的,内容逻辑比较混乱,导致学生读起来比较模糊困难,同时介绍的技术栈也已经早就被行业淘汰了;而海外院校在教材编写上真的是很厉害,很多是行业开山鼻祖的著作,也非常与时俱进,篱笆老师在这里就为同学们推荐几本实用性比较高的计算机书籍教材,记得保存收藏起来。 《数据库系统概念》被卡内基梅隆大学、北大、上海交大等学校采用,《算法导论》:影响全球千万程序员的“算法宝典”,被麻省理工学院、斯坦福大学、康奈尔大学、加州大学伯克利分校等采用,《深入理解计算机系统》被哈佛、CMU、清华、北大等400余所高校采用。另外还有《计算机网络:自顶向下方法》、《Java编程思想》、《编译原理》、《操作系统概念》 第二点:课堂质量差 课堂教案方面,国内的很多老师会使用多年不变的PPT,并且PPT中基本理论型概念知识偏多。教学中也经常出现老师对着PPT照本宣科地讲。而国外很多大学在CS讲授中,老师会花更多精力在教案准备上,知识点更清晰完善,也经常看到和行业比较有联系的案例分享。 课堂互动方面,国内课堂少有同学主动问问题,偶尔有基础比较好的同学回答老师提问。但在国外,无论基础好的和不好的都会提问,有的十分简单,有的就问得比较深。国内的课堂上大部分时间都是老师一个人在说话,而国外课堂,老师会引导学生进行积极的探讨,让学生逐步拥有自己发现问题解决问题的能力。课堂中的学习氛围对于课程的学习也是相当重要的,只有自身参与其中才能更好地了解学习这门知识。 第三点:课后安排不协调 课后辅导严重不足,国外的顶尖大学老师每周要抽出三个小时作为 office hour,中国的大部分教授老师下课了就基本没办法面对面来问问题,也没有配备相应的助教老师进行答疑解惑。同学下课后也没有完全的自律性去课后操作上机。拿TUFTS(塔夫茨大学)举例,波士顿计算机专业的必修死亡课程 —— machine structure(机器结构),其课号为 COMP40,有人称其课号含义是「每周花掉你40小时」,经实践根本不止40个小时 —— 平均两周 due 一个大 project,基本上学生一下课就想着跑去计算机楼敲代码,基本不需要老师强求。 第四点:平时作业不重视,考核机制不完善 国内很多学校的作业题相对国外同年级来说简单许多,课后作业严重和计算机的实践性脱节;还有些学校基本没有太多课后作业,全靠同学们自觉下课进行练习。但是对于计算机专业来说最重要的是什么?是写代码啊!老师讲的再好,都不如给出一部分时间让学生亲身体会。上机时间严重不足,其实大学四年最好编程量达到几万甚至十万,这样对就业做研究都有保障。 反观国外的大学,比如cmu使用autolab系统自动打分,学生上传完代码就可以查看最终分数,然后调整代码修改bug。并且国外查重非常严格,会用斯坦福 moss、sim 等代码查重工具,更改变量名、代码顺序、垃圾代码、注释、简单替换逻辑等等这些均会被MOSS表示为相似代码。并且在有些学校抄袭是非常严重的事情,严重者是会被开除的。 第五点:使用工具落后 ,与社会脱节 学校都讲的大多是概念,很多实际工作中会用到的工具也没有教。例如:github,写java的IntelliJ,虚拟机,vim等基本都是通过同学自学。美国计算机教学能很好的贴近当前的科学界,工业界,让学生能看到学的东西的实际应用价值以及未来的一些潜在发展方向,这对于培养兴趣来说无疑是至关重要的。 当然,不可否认的是,国内一些顶尖高校比如清华、浙江大学、上海交通大学等等开始重视国内与国外的差距点,并进行着不断得学习与改进,他们的计算机专业也在慢慢追赶欧美国家的大学,对于国内计算机来说这是一个好的现象。 希望以上分享对你有帮助!

晒货图片

发布了晒货 3月前

北美秋招freeze了,CS求职应该怎么提升竞争力?

相信今年正在准备秋招的CS小伙伴们都听说各大厂开始hiring freeze了,虽然大环境的因素没有办法改变,但是大部分的公司只是进入了slow hiring的阶段,战线被拉长了,但是还是有机会的,所以如何提高自身的竞争力,从众多CS学生中脱引而出才是现在最需要做的事。 第一件,也是最重要的一件事就是如何修改简历。 首先,简历一定要排版清晰,简单明了,可以从overleaf上找到很多的模版,因为hr看你的简历可能只有十秒,如果不能一眼找出你的highlight很容易就被错过。简历控制在一页之内,模版一般要包括Education,Projects,Professional Experience,和Skills四个模块。 有条件的同学可以使用Latex,我自己用的就是word,比较方便。但是需要注意的一点就是不要在简历中插入表格或者一些特殊的格式,因为机筛的时候很有可能识别不出来,直接被拒。在导出成为pdf的时候检查一下,是不是所有的字都可以被highlight,这样在机筛看来才是有效文字。 有些转码的同学会问,之前不相关的实习经历要不要放上去呢?如果关于CS篇幅内容不够一页的话,其实也是可以放上去的,但是文字的描述上可以向CS有关的topic靠拢一些,并且突出软实力,像communication,leadership这种。所有关于project或者实习经历的描述,都要尽可能地宏观,因为hr不一定会看得懂具体的CS知识点,而是看你最后获得了多少成果,比如说在描述用了machine learning建造了一个model时,可以再加上model实现了百分之多少的正确率,比之前提高了多少,为公司的某个产品提高了百分之多少点击,这样才是hr眼中一个很有竞争力的candidate。 第二件事就是找refer。 其实很多同学都觉得一定要找refer,其实找一个陌生人或者朋友的朋友去refer和海投的效果是差不多的。因为不太熟悉你的人帮你refer的时候,不一定会帮你选择最pripority的那项,你们之前的经历和关系重不重合,在那段简介里一般也是看得出来的。所以与其担心refer,可以多关注linkedin和学校的career service,一般大公司会给每个大学都配一个campus recruiter,直接去和他networking效率会提高很多。 还有现在因为slow hiring,所以岗位一旦有开放,大家一定马上去投,不要觉得自己没有准备好就向先刷题再投递,很有可能过几天岗位就关闭啦,再开放就是补招了,hc肯定会少很多。投递简历到OA再到面试,可能还会需要两周甚至更久,还是会有一些时间准备充分的。 如果有幸过了简历关,拿到了OA,恭喜!至少有recruiter在负责你的流程了。OA其实就是一个CS能力的体现,怎么才能考虑到所有的corner cases并且time complexity最优。在做OA前大家可以去看看当年此公司的OA题库,有些小伙伴会po出来,虽然遇到一摸一样的题目可能性不大,但是至少可以了解一下大概是什么类型,有一个预期。在做OA的时候大家也可以注意一下时间,做完了检查完了可以及时提交,不用用完一整个小时。因为在现在竞争力非常激烈的时候,大家OA都做的很好,那么再筛选的条件就是用时了。 最后就是面试啦,到这一步已经很厉害了,但也是最难的一步。 Behavior Questions的面试相对来说比较容易,准备几个事例,并且把网上关于bq的topic都过一遍就好了,事例不用全是关于学习的,也需要准备几个和自己culture有关的,还有兴趣方面的事例,展现一下diversity。这些事例可以套到不同的topic上突出自己不同的能力,需要准备的能力大概就是leadership,culture,collaboration,success,proud,handle failure,communication这几个。 Tech的面试才是最关键的一步,在刷完很多题,学会了很多数据结构和算法后,如何在一个小时的面试里发挥到极致呢?首先,在面试官给出问题的时候,如果有任何不清楚的,马上clarify一下,不要害怕问问题,因为如果没有遵照面试官认为的方式的话,印象分就不好啦。沟通往往是tech面试里很重要的一步,然后可以请求两分钟左右的思考时间,在有想法之后及时和面试官沟通,比如说我准备用什么数据结构,然后分成几个if或者for去实现,在得到面试官的肯定以后可以开始写代码。在写的过程中也要不断地解释这一步是在做什么,为什么这样做,有什么优势,所以锻炼边说边写的multitask的能力也是很重要的。在写完之后告诉面试官你写好了,并且可以举出一个corner case顺着代码走下来会是什么结果,方便面试官认可你的代码。在面试官思考的过程中,可以自己再想一想有没有更好的解决方法,因为这很有可能就是面试官的下一个问题。最后在反问环节,可以准备。

晒货图片

发布了晒货 3月前

篱笆教育 | 拿到offer之后,他依旧选择向名企出击

编者按:Nathon是一个心态非常平和的篱笆学员,这与他已经拿到了国内的offer不无关系,但是他依旧想要冲击北美亚马逊等名企,他重温了亚当·斯密的哲学思想《道德情操论》,“要获得内心平静就必须做到身体健康、没有负债、问心无愧”,这让他坚信现在的努力是为了以后不留遗憾。在他身上我们看到了什么是选择大于努力,尽管他的起跑线更好,但他仍在不断起跳,让自己飞得更高更远,让我们一起去了解他的世界,看看他有什么过人之处吧! 本期学员:Nathon 学历背景:美国本科/研究生 专业:资产评估/商业分析 正式工作:零基础 Jenny导师:谷歌数据分析师,擅长帮助学生挖掘自我能力并顺利通过求职面试,短时间内快速高效提升面试技巧和语言水平。 实战经验大于天赋 Nathon大学学习的是评估专业,从业相对来说比较容易,但这个专业目前发展得不是很完善,刚就业待遇不高,且工作内容比较繁琐,所以硕士就选择读了商业分析专业,发现大部分课程都是需要用到数据分析,所以Nathon准备再培训下数据分析求职辅导,算是对职业方向的延展。 他给自己起的英文名,颇有点天选之子的意思。篱笆的导师Jenny对她的评价就是举一反三,有很强大的产品认知。但Nathon却很认真地表示,自己并不是“天赋异禀”,被老师认可的product sense其实是通过专业训练不断强化的结果,是因为之前在实习经验中已经做过项目实践,并且可以根据用户的需求进行归纳总结。SQL,Python和机器学习是必须掌握的3大知识点,他认为对于求职者来说更重要的是用你的专业知识或者实习项目触类旁通,因为北美是非常注重求职者的实战经验的。 如何选择靠谱的教育机构 保持求知欲,尽快在秋招中找到工作,是Nathon来此学习的动力。他想深入了解在名企中数据分析究竟是如何运作的,还有面试这些大厂的技巧,篱笆导师大部分都是硅谷大厂在职,拥有第一手的经验和资讯,确实是他的第一首选。 知乎 缘起 和“篱笆”的缘分来自找工作的那些经历。起初,他在 handshake上寻找工作,但没有得到任何回应。后来他在知乎看到了篱笆老师一个非常有趣的回答,于是与篱笆教育便有了不解之缘。 当然,在加入“篱笆教育”的大家庭之前,他也对比了很多同类型求职辅导平台,Nathon说,辨别求职辅导平台是否靠谱很简单,不要看他们的描述,而要看实际给予的。 他发现很多求职机构把在北美找工作说得很华而不实,花里胡哨的宣传噱头、夸大其词的项目包装,并不能解决当前问题。而篱笆教育官网简洁却实用,在没有付费情况下,就可以在网站上获取大量真题。对比之下,他下定决定选择这家低调却很可靠的教育平台。 首轮面试很Easy Nathon的简历准备期从6月份就开始准备简历,8月份开始求职,期间收到了面试邀请,因为刚刚开始投递简历,所以他只体验了第一轮面试。他说第一轮面试品牌雇主会需要你自行做一些介绍,一般会根据你简历的描述提出一些问题,包括之前的项目经历,只要能达到对方的任职要求都是可以通过的。 来自Jenny导师的帮助 由于听从了Jenny导师的面试建议,他先从中小型公司的招聘投递起来,比如科技互联网公司、西海岸游戏公司还有数所他都有尝试,期间,Jenny导师亲自下手帮助Nathon修改简历,重新温故了数据分析知识点和技术,对每次Nathon面试的公司提出针对性建议,因为每家公司需要Nathon展现的技能点是不同的,所以提供的信息也有所不同。 Nathon觉得自己之后对从事DA岗位更加有信心了,对这个职位也有了更深层次的了解,面试也会条理清晰,知道如何应对。他认为官网投递回复率会高很多,如果真的感兴趣这个岗位也可以找内推,当然Jenny导师也愿意在内推上做出帮助。 回国就业是面试自信的底气 Nathon说,自己在国内已经拿到offer,如果北美亚马逊等名企能给到足够好的机会,他将留在这里。Nathon也建议正在找工作的同学可以国内外两手准备,求职的第一家公司平台很重要,不建议为了留在美国而接受比较差的offer,如果觉得自己还有很大提升空间,也可以找培训机构来帮助自己,充分利用好首次求职的机会。 人生短短三万天,每一天他都想用心感知世界。课余时光,他的兴趣爱好涉猎广泛。最近他追完了《爱,死亡和机器人》(Love,Death&Robots)和《黑袍纠察队》(The Boys)的最新一季。从娱乐游戏到美股交易,他试图探索自己可以挑战的领域。他了解到投行会有一些部门会用到数据分析的技术,对于他而言,学一点数据分析无论是工作还是娱乐都可以用得上。对于篱笆教育,他觉得目前一切都很好,不忘初心方得始终。我们也祝愿Nathon同学能够拿到更多更好的offer,逐梦前行,未来可期! 也欢迎大家和Nathon同学联系,交流学习心得,Nathon同学的联系方式是:电话7185368318。

晒货图片

发布了晒货 4月前

MLE面试 | 重点内容大揭秘!

今年秋招又开始了,不少刚入行的同学来问我们Machine Learning Engineer岗会面试哪些内容。我们今天就再来整理下这部分内容,希望能帮到需要的人。 MLE岗,本质上还是engineer岗位,所以面试还是以算法题为主。 这就要求大家有比较好的leetcode刷题基础。关于MLE刷题的要求的视频在我们的以前的视频中介绍过,有兴趣的朋友大家可以去翻翻看。 第二就是,ML Coding或者data coding。 这类coding面试一般会面一些和数学相关的coding题,或者是手写最基本的算法,包括Kmeans,KNN,逻辑回归等等。因为这类面试的面试范围比较小,所以准备的方法也很暴力,就是题海战术把常见题背下来下来。 第三就是, ML design。 对于master来说这类面试不常遇到,Phd new grad偶尔会遇到。这类面试最常见的就是设计推荐系统相关的Design面试问题。这类问题的准备资源相对较少,篱笆教育有正对性提升的课程,除了参加篱笆课程之外,还可以通过自己平时的项目积累,或者各个公司的技术博客的阅读的积累,来提升自己相应的能力。 最后就是最重要的ML fundamental 。 从简单的统计classification和regression算法,再到深度学习的常见概念,都需要大家非常熟悉。很多做deep learning的同学很容易忽视掉basic算法理论面试的准备。这个需要注意。 面试时一旦你提到一个模型, 面试官就会盯着模型追问。所以说,只有扎实地掌握了模型原理和概念,才能在这样的连环问中存活下来。 最后,一定不能忽视behaviour questions。 很多同学忽略掉behavior都容易翻车,一定要把BQ练好。如果你有怎么我题都写出来了,ML问题都回答上了,还是没拿到offer的疑惑,你就可以反思下自己在除了技术面试之外的环节,比如BQ,是不是还有问题。 以上就是ML岗位面试的大致方向,我们针对这些方向设计了一个完整的机器学习求职辅导课程,大家有兴趣的话可以私信我们。如果对MLE求职还有任何问题,欢迎私信我们。

晒货图片

发布了晒货 4月前

你真的适合转码吗?五个问题帮助你抉择!

程序员作为当今社会最热门的高薪职业,吸引着一代又一代各个专业的学生,这几年你会听到有文科,商科等很多非计算机专业的人都在分享转码的经验,但是,步入程序员的大队列不是一场结束,而是真正的开始,我有看过很多同学转码后很开心,因为不断地在学习并且工作也很decent, 同样的,也有不少转码失败或者成为程序员后不久就quit的同学。所以说转码并不适合每一个人,这是我们理解转码这件事情的前提。 在走上转码之路前,我设计了一个即为精简的加减分问卷,希望帮助大家做出适合自己的决定: 从高中到大学再到研究生,你的理科成绩怎么样?逻辑思维能力如何? a. 自我感觉还行(+2) b.一般般(+1) c.有点拖后腿(+0) 2. 在学习生活中,你遇到无法解决的难题的时候,你自然的反应会是什么? a.先搜集资料,自己分析并解决问题(+2) b.先询问他人,汲取经验,从他人的帮助中获取解答(+1) c.被动等待其他人帮忙或者放弃(+0) 3. 在解决难题的过程中,你的心态是什么样的?(debug的容忍度) a. “有些难,实在不行休息会之后再来想想”(+1) b. “我喜欢解决难题,一步步来尝试吧”(+2) c. “太难了,我肯定解决不了”(+0) 4. 你是更喜欢面对客户群体工作,还是更喜欢一个人研究。简单来说,更喜欢和人打交道还是更喜欢独处? a.喜欢独处(+2) b.喜欢和人打交道(+0) c.都可以(+1) 5. 你的转码决心有多大?(动力是很重要的因素) a.一定要转码不可(+2) b. 可以努力试试,行不行都可以接受(+1) c. 感觉不是很有信心,纯当试试(+0) 同学们可以把自己对于以上5个问题的答案记录在小本本上,然后把这些问题的得分加起来,分数在6-10之间,我会选择鼓励你来尝试转码,分数低于6不代表不适合,但一定会有一段很痛苦的时光,如果愿意做出改变也是会有相应的收获的啦。人的这一生有很多选择,如果盲目从众,并不一定会让自己快乐,所以篱笆老师建议大家选择合适自己的道路。 最后,希望大家都能从事自己最热爱的职业,理智转码!

晒货图片

发布了晒货 4月前

篱笆教育 | 他终于入职500强!

编者按: “Capital One”公司是美国第一资本投资国际集团,2022年8月,第一资本金融公司入选2022年《财富》世界500强排行榜,对待企业员工的福利待遇自不必说。今天采访的主人公便拿到了这家公司的offer,但是并不是像漫威主角一样,他的求职之路并不是一帆风顺,中途他一度想要放弃北美求职之路,让我们一起看看他是如何升级打怪的吧! 本期学员:Andy 学历背景:美国本科和研究生 专业:经济学/商科 工作经验:仅实习 曾就职:无 网络上的资讯比理论更有帮助 Andy从去年11月份就开始找工作,期间投递了1500份公司,距找到这家满意的公司用了10个月的时间。对于Andy来说,他认为不要一味地等待别人给你内推机会。他认为海投的基数更大,通常海投岗位放出来,他会第一时间投递。 当然,Andy并不认为内推不是一种好的秋招投递策略,每个人的喜好不同,只不过他认为自己掌握了投递的时间比与学长social更有用,他认为第一时间去执行是更重要的,把机会掌握在自己手里更有获得offer的胜算。“我觉得通常网络上的资讯更有帮助”,课本理论的回报率不是很高,所以Andy试图寻找更高效的求职方法。 篱笆是我DS求职的稻草 Andy在面试的过程中发现,面试本身跟学校学的东西有一些差距。“因为网上几乎搜不到DS相关的课程,所以林峰老师推荐我学习12h统计知识训练就来了。”因为正面临找工作的困难,篱笆教育像是救命稻草一般的存在,所以有上岸的机会Andy就想紧紧抓住。来了篱笆,Andy发现其实面试可能是有一些套路可以去寻找的,篱笆老师会给你系统化分析列出流程,让你能够更好地准备。不用盲目地跑去面试,在系统地知道面试情况下再去面试,这让他的优势可能就比别人大很多。 没有找到工作的人,没有资格减压。 很快,Andy已经毕业4个月了,他的很多同学都找到工作了,这导致他的心态非常不好。但很多同学因为面包放弃了DS的梦想,我会安慰自己说没关系,我还是要坚持自己的理想。坚持下去的动力主要源于热爱,所以要为之付出和努力。 “我压力可太大了,每个礼拜都不太敢接家里电话。”这期间,Andy每天没有娱乐时间。每天除了看书就是刷题,“我觉得没有找到工作的人没有资格减压。”Andy温柔的语气里带着坚定,他认为自己有着一个倔强的性格,不达目的誓不罢休。他无法接受自己找不到DS的工作而白白浪费了10个月的时间,10个月的时间让他不甘心放弃,他心里默默鼓劲说“我一定要找到。”对于还在求职路上的同学,他认为压力一定要有,压力是每个人成长的动力。 你需要对自己有所期待。 反复看面经、去实践面试的流程才是通过面试最有效的方法。Ying导师是Google面试官,同时也是篱笆负责教Andy统计知识的导师。他认为面试前Ying导师帮助准备面经,面试后帮助复盘结果是很有帮助的。Ying导师也会以业界人士的看法跟他说他的实力其实是没问题的,这对于当时的Andy来说是一个很大的一个安慰,他才可以继续坚持到DS入职成功。他认为DS领域求职,对于知识的储备既要深度又要广度。面试期间SQL,mashine learning,phton coding,business case都有涉及,加之每一家公司也都并没有一个标准化的面试流程,要读的东西特别多,所以他觉得就是提早准备提早培训。 闻鸡起舞的每一天,都是为了秋收的喜悦。 经过10个月的备战,Andy同学非常争气,一共拿到两家公司的offer,一家是Plymouth Rock,一家是Capital One。他认为在海外找工作,实习经验非常重要。虽然他之前的实习经验和ds关联不大,但是会比没有实习经验更加分。当然如果学业时间较短,像他这种只有一年的program,那也可以刚入学就参与秋招试试水,因为隔年的3、4月以前基本上比较难拿到满意的工作机会。 图片: https://uploader.shimo.im/f/nDg2BLzBwfjBpTET.png!thumbnail 现在他准备入职Capital One这家公司,他认为薪资是其中一个原因,另一个原因是hr非常在意履历,之前是在哪家公司待着,大公司比较能够吸引hr的注意,所以有一份有个大公司的title写在你的简历上面的话,对于接下来工作会比较有帮助。虽然offer在手,他仍然没有停止奋斗的意思,准备opt签证到期之前抽H-1B签证,这样公司就可以帮他办理绿卡。 图片: https://uploader.shimo.im/f/Rr87OTWAHGo77OeE.png!thumbnail 课余,他也会看一下篱笆教育的自媒体平台,找到一些可参考的案例。平台分析的模拟面试、导师干货小短片等他都非常受用。 这次过5关斩六将,终于拿到500强企业的offer,他总结了几个心得: 1、了解面试题目很重要,相关题目除了在一亩三分地,篱笆教育的官网和自媒体账号上也可以找到。 2、交流很重要,可以跟program的同学一起分享一些资讯,或者一起投递一起准备,会事半功倍,他认为很多HR,会给同一个program的同学发面试,所以如果有program的朋友拿到面试的话你再去投那家公司,你的优势概率会很大很多。 3、跟随导师反复刷题,看面经很重要。 “你需要对自己有所期待。”对于Andy来说,凭借自己的能力在陌生的土地上闯出天地是一种浪漫的感觉,他想要跟全世界最厉害的人一起竞争,他觉得未来还有很长的路要走,但是一切美好都需要自己去实现和坚守 如果想要联系Andy同学的话,可以通过以下联系方式~ (1)邮箱:andywulu914@gmial.com (2)电话:9842456179

晒货图片

发布了晒货 4月前

SDE/MLE 新手如何在GitHub上找到优质的项目资源?

对于新手而言,想要在GitHub的代码库里面找到最适合自己的项目还是比较困难,无异于大海捞针。下面篱笆老师教你五招帮助你在GitHub上面轻松找到对你有用的项目资源。 第一关注一些GitHub上活跃的大牛或者知名公司账号。当大牛们 create、star、fork了某个项目时,你主页的时间线就会有相关的提示。 第二Explore 。打开GitHub,在上方会有Explore这个选项,GitHub会在这里推一些你可能感兴趣的仓库给你。当你浏览次数和关注的人越多,GitHub推荐就会越智能。 第三Trending。Trending页面类似于潮流榜单,你可以看到近几日一些比较热门的开源项目, 可以用Trending再加关键字(比如某个机器学习方向,或者某个前端framework,或者某个编程需要)就可以更精确地找到你需要的项目资源或者开发者。 第四关注Star和Fork数量。star代表这个项目就比较成熟,有很多人对这个项目感兴趣。Fork越多则代表二次开发的人越多。选择star或者fork数量较多的项目,可以比较有效规避bug的存在,不用花费过多时间去debug。并且可以在某些大牛的star列表里面找优秀开源项目,也可以在 Gitstar Ranking里找到目前star数量最多的项目。 第五search。搜索是我们平时最主要的获取途径。你可以用到来搜索任何你感兴趣的话题。比如你想做一个关于房价预测的机器学习项目,你就可以搜索house price prediction。又比如你想做一个网站的全栈项目来充实你的简历,你也可以搜索相关的关键字,然后看看其他人怎么做的。 下面再分享几个awesome系列关于人工智能还有计算机的好的资源: (1)计算机科学 awesome-courses 收录一些世界知名大学的计算机科学课程 papers-we-love 阅读、讨论、学习更多关于计算机科学学术论文 (2)深度学习 awesome-deep-learning 有关深度学习的教程、项目、社区集合 Secondary Awesome Collection 收集深度学习相关的awesome资源列表 (3)机器学习 awesome-machine-learning-on-source-code 关于机器学习和源代码的研究论文、数据集和软件项目列表 Machine-Learning-Tutorials 包含机器学习和深度学习教程、文章和其他资源列表 无论是GitHub的浏览推荐还是主动搜索,都是寻找适合项目资源的重要方法,GitHub上面的好的资源有很多,所以大家一定不要忽略GitHub这个好的资源,并且根据篱笆老师提供的小技巧会让你事半功倍。 如果对如何在GitHub上找到优质的项目资源还有任何问题,欢迎私信或者评论篱笆老师~

晒货图片

发布了晒货 4月前

拒绝无效论文阅读!机器学习科学家带你高效阅读ML顶会论文

入门机器学习该如何阅读论文也是同学经常咨询我的一个问题,机器学习是一个非常火热的领域,发展的也非常迅速,新的模型、技术不断地在迭代和更新,这就要求我们在学习甚至是未来工作的过程中,不断的去阅读一些论文,来跟踪某个领域的最新动态。今天我就为大家分享一些我自己实践之后觉得非常有效的阅读方法,只要你想要进入机器学习的领域,都值得收藏一看。 话不多说,我们先来解决最首要的问题,如何找到“值得看”的论文? 人工智能领域每年都会有比较多的会议,机器学习的顶会主要有: 视觉方向:CVPR, ICCV,NLP方向:ACL,EMNLPGeneral的会议: NeurIPS,AAAI, IJCAI, ICML, KDD等等 这些顶会每年的paper就是我们阅读论文的主要来源。此外,如果我们的专业方向都是相对比较固定的,所以我们可以通过检索来找到和自己的专业方向相关的文章来阅读,我比较常用的搜索工具是arXiv、Google scholar和Reddit。每当开顶会的时候,大家也可以稍微去浏览一下被接受的文章的标题,看看有没有自己方向相关的文章可以大致了解下的。 还有就是各大机器学习或者AI相关的公众号,每次开顶会的时候,他们会推送一些文章来介绍各种最新的工作。如果自己没时间去追踪会议的话,那每天稍微阅读阅读各种技术博客或者公众号内容,也很好。 下面就是第二个问题,找到这些论文之后,我们“怎么读”才是有效的,才是不浪费时间的。 首先是文章中经常包含大量的公式、理论和证明的文章。 你要知道的是,即使是业界大牛,也很难快速的阅读和理解冗长复杂的计算公式,所以秘诀就是先粗读一遍文章,跳过代数的部分,默认它们是正确的,主要去理解公式之间的文字描述、实验结果和结论。当你大致的了解文章的主要内容,你可以再决定要不要花费时间来理解代数的部分,也就是开始细读。 接着是一些更加工程的文章,比如很多文章其实只是在介绍某种新的训练的trick,或者某种新的模型结构,或者某种新的loss。这类文章没有太多设计什么数学或推导的部分,他们往往只追求更好的Metric,追求模型效果是否是SOTA。 这类文章在当下已经占据了半壁江山。 我们在阅读这类文章的时候,第一,快速抓住它的核心想法是什么,这个往往看abstract或者introduction部分就差不多知道了; 第二,去看论文里的各种示意图,他们会更好的帮助你理解新的模型结果是什么样的,图往往比文字容易懂;第三,不要盲目相信论文的结果。就算是顶会的论文,很多结果可能只是通过大量调参调出来的好结果,或者特定数据集下的好结果,这种文章结果不一定有普适性。 最后我想说的是,阅读的深度最终还是取决于你的的研究方向和阅读目的,对于一些文章而言,拿出纸和笔,按照论文中的计算步骤一步步完成反而是更有效的方法。 以上就是我分享的所有内容,有任何问题都可以在评论区和我互动讨论,欢迎大家多多留言点赞收藏转发!

晒货图片

发布了晒货 4月前

科技巨头们依然给实习生发return offer!

上周五,The Information发布了一篇文章:《The Kids Are Alright: Big-Tech Interns Upbeat About Prospects Despite Turbulence》 总结来说这是一个好消息:虽然行业形势不稳,但科技巨头们依然给实习生发return offer。 今年夏天,随着整个行业开始出现一系列裁员和招聘冻结,整个科技行业的实习生们的心都非常紧张。终于,在这个美好的8月等来了好消息连环call!相信小伙伴们终于可以松口气,放松放松啦! 亚马逊和谷歌等都告诉了the Information,他们不打算减少暑期实习生的招聘,并且还将大力招聘实习生。 微软的实习生表示,他们对该公司普遍提供的永久工作机会感到满意。 其实,Meta的实习生招聘计划也不那么惨淡,上月Meta因觉未来局势不明朗,被爆不给实习生发return offer,但就在本月,根据The Information了解到,该公司表现优异的实习生已经收到了return offer。 一位在苹果公司实习的大四学生在8月中旬实习结束前,就收到了苹果长期工作的口头邀请。 实习生是新鲜人才的宝贵来源,而且工资比普通员工低,虽然实习生通常只在一个公司工作三个月,但一些公司将他们的角色视为永久工作职位的延长面试。 近期冻结招聘谷歌又开门招实习生了,不知道人数多少,希望眼疾手快的你抓紧机会! 各大公司已经火力全开,秋招大战已进入白热化阶段!希望每个找工作的小伙伴们都能顺利! 与此同时,为什么有的人却悻悻地结束了实习,与return offer无缘呢? 那么,如何做一个好的实习生? 01、明确个人定位 首先,在刚刚入职的时候,应该主动花一点时间和mentor进行交流,比如约一个小的meeting,或者来一个简单的coffee talk。 明确自己的project在整个项目里的位置,既要知道森林,也要知道树木,更要明白自己负责的是哪片树叶,理解这片树叶对树木和森林的作用。 02、学会问高质量的问题 学会问问题,但请不要将发问当做自己的特权。你可以提问,请花点时间好好准备你的问题。千万不要去问一个简单research就能得到答案的问题。 问题的质量高低,同样可以展现出你的实力。不要去做一个“十万个为什么”,你的mentor是一个资深的工程师,他值得更好的问题,而你也需要得到他真正insightful的指导。 03、正确对待负面评价 很多实习生在遇到负面评价后,就会像被烫着一样,从此郁郁寡欢,抗拒或者逃避交流。但实际上,在职场上,遇到负面意见简直就和吃饭睡觉一样平常,如果大家都在恭维你,那才要警惕出了什么问题。 在遇到批评的时候,很多人都会让情绪支配理智。最典型的一个做法就是将对事情的批评变成对个人的否定。到了最后,一直对mentor心怀芥蒂,反而耽误了自己获得成长的时机。 04、比别人多想一步 每一个实习生都应该用full time的要求来规范自己。学会比别人多想一步。往往能得到strong hire的人,其实都有go extra mile的表现。 这个道理其实很简单,大家都是实习生,完成自己的project是baseline,如果能做的更多,自然就更加分。 但很多人,不要说多做一些事儿,就连和其他组的同事聊天,都表现得不自在,更不用说得到好的评价了。 拿到实习offer是一个非常好的开始,但职场不是学校,没有人必须对你负责。 能否拿到return offer除了自身实力之外,soft skill,empathy,以及必要的社交礼节都是需要掌握的。 毕竟,大家想招的不是一个只会写代码的机器,而是一个可以共事的“战友”呀。

晒货图片

发布了晒货 5月前

篱笆老师循循善诱,帮助转专业的我不断提升技能,丰富简历

K同学:来自美国排名前10的大学,主修数据分析专业,目前是研一在读,未有在科技公司就职的相关经历。在篱笆老师系统化和专业化的帮助下,学习和掌握了更多全面、深入、多维的行业知识,同时在求职面试方面也得到了有力的支持。 Jenny导师:谷歌数据分析师,擅长帮助学生挖掘自我能力并顺利通过求职面试,短时间内快速高效提升面试技巧和语言水平。 Hello,我是一名主修数据分析专业的研一学生。因为最近是在学校实习,所以暂时还没有拿到offer,打算通过今年秋招的机会拿到明年的全职offer。 最初,我是通过浏览小红书了解到“篱笆教育”机构的,当时对小红书上分享的内容很感兴趣,然后找到机构的负责人,并详细咨询了一些问题,一方面我和对接负责人聊得比较合得来,感觉他真的尽力在帮我解答求职等方面的困惑,另一方面我恰好想找的是在职导师,所以最终决定来到了篱笆进行学习。 在授课方面,虽然学校也会涉及和技能相关的领域,但是不会专门往business(商业)方向去做,同时由于我是转data且目前还没有在科技公司实习的经历,整体的经验背景都比较薄弱。篱笆这边的Jenny老师本身是谷歌在职,对公司的那一套流程比较熟悉,所以说老师上课带着我所做的project(项目)以及在此学习过程中进行的cohort analysis(同期群分析)等专业性练习对于没有太多相关经验背景的我来说帮助颇多。在经过数据分析项目课程的学习后,我切身体会到自己在知识消化吸收和运用方面有很大的提升。同时我也提升了自己技术方面的技能,丰富了简历,也实现提升面试和拿到offer的机率。 Jenny老师人很好,备课很用心,讲解也很详细,在简历修改和项目方面为我们考虑得很周到、细致。老师也非常鼓励我们问问题 ,而不是她一个人单方面的输出 ,她常常会从project延伸到她个人的工作方面,在知识拓展应用方面我受益颇多。Jenny老师会向我分享很多她在实际工作中的体会,对于在大厂的数据分析师来说,主要就是三大块的工作, planning, field work,以及reporting。 planning主要是规划好我们需要负责的部分以及沟通需求,我们需要主动host meeting,开brainstorming meeting;field work的部分我们主要积极去分析,随时沟通update 和finding,一般sql和一些basic python analysis 可以搞定,也有需要做modeling的时候;最后是reporting, 主要是画visualization或者做impact analysis 或者quantify scale,为了让business director 了解,所以做一些总结性的分析结果,很多时候用的是tableau或者ppt 。 在篱笆的整个学习过程使我收获满满,篱笆整体服务非常好,不论是Jenny老师,还是上课期间接触到的林峰老师和其他的助教老师们,都是专业知识很强,很有耐心的良师益友。 最后希望在求职面试上遇到困难或者想要更上一层楼的同学,可以通过领英或小红书等平台了解一下“篱笆教育”机构,篱笆的老师都是大厂的面试官,不论是专业知识还是授课能力都双双在线,相信同学们一定都能够受益良多! 如果你想要了解篱笆教育的话,可以直接联系篱笆的教务老师:lixiangzhe28~

晒货图片

发布了晒货 5月前

Expedia 数据分析DA高频面试题分享

1. SQL aggregation funciton Count of blood groups A blood bank maintains two tables- donor, with information about the people who are willing to donate blood and acceptor, with information about the people who are in need of blood. The banks wants to know the number of males and the number of females with a particular blood group. Gender(GENDER), blood group(BG), num of people with that gender and that blood group 2. String functions How many sentences? Given an array of words and an array of sentences, determine which words are anagrams of each other. Calculate how many sentences can be created by replacing any word with one of the anagrams. 3. Football scores the num of goals achieved by two football teams in matches in a league is given in the form of two lists. For each match of team B, compute the total num of matches of team A where team A has scored less than or equal to the number of goals scored by team B in that match. 4. Modify array Given an array of integers, the cost to change an element is the absolute difference btw its initial value and its new value. For example, if the element is initially 10, it can be changed to 7 or 13 for a cost of 3. Determine the minimum cost to sort the array either ascending or descending along its length. 5. SQL aggregation funciton List customer and product without sale in one list return, all customers who do not have an invoice and all products that were not sold. Use the union operator in this query. Return 3 values: category id customer.id(category=”customer”) or product.id(category=’product’) name customer.customer_name or product.product_name 6. SQL aggregation funciton Goals socred by countries given the database of a football tournament, sort the countries by the number of goals scored by that country, descending. The number of goals scored by a country is the sum of the goals scored by its players. If two or more countries have the same number of goals scored, order them ascending by countries.id. 7. ML model basic application 给一个dataset,然后让去predict sales/quantity, etc。 Supervised Learning,从data pre-processing到visualization都要做 8. SQL aggregation funciton Table name: Companies Columns: Year Quarter Company Revenue (1)Use the data in the corresponding table to write a SQL query that will yield the average yearly revenue of each company between 2010 and 2015. (2)Use the same table to write a SQL query to get the average revenue over all companies, for the first 4 quarters. Note: not all companies have the same starting date or start operation at the beginning of the year. (3)Use the same table to write a SQL query that adds a new column to the original table: % of annual revenue accounted for by that quarter, which is defined as company revenue for that quarter-year divided by total company revenue for that year. 以及是否要relocate,desired salary 9. Job application metric Job application metric下降了,怎么调查原因。 10. Simpson paradox Simpson paradox的一个问题,两种email version,连续两周在两个不同的城市做实验,显示结果是B好于A。combine起来是A好

晒货图片

发布了晒货 5月前

web 3.0 指的是什么?未来将有怎样的发展?

再聊什么是Web 3.0之前,不得不说说什么是Web1.0 和 2.0。 Web 1.0,也就是第一代互联网,是静态互联网,主要的应用是网络媒体。各网媒雇佣一大批编辑,将图文并茂的内容发布成为网页。读者访问网站,浏览数字内容,但只能读不能写,无法参与内容的创造。整个 Web 1.0 媒体相当于传统报刊杂志的电子化。 Web 2.0,也就是第二代互联网,是交互式互联网,主要的应用是社交网络和电商。在这个阶段,平台只是提供一个基础设施,自己创造的内容很少,绝大多数内容是用户创造的。但是平台却静悄悄的扩张了自己的权利,凭借着自己对技术基础设施的控制权,兵不血刃地把用户数据的所有权也拿到了手上。在 Web 2.0 平台上,用户创造的数字内容,所有权属于平台,控制权也属于平台,平台可以决定编辑、修改、删除和屏蔽用户的内容,甚至可以删掉用户的账号,将用户驱逐出其社交网络。此外,这些数字内容所创造的价值如何分配,由平台说了算。用户在使用互联网过程中产生的大量数据足迹,其价值也由平台无偿占有。 Web 3.0目前并没有一个准确的定义,也就是没人知道Web3.0究竟是什么,会变成什么样,这其实也是它受人关注的一个原因,因为在这种模糊的状态下,他可能有很高的上限,也就是高风险,高回报。虽然他没有明确的定义,但是他有着一些带来变革的潜力,我们现在就聊聊他能给互联网带来什么样的改变。 Web 3.0 中,用户所创造的数字内容,所有权明确为用户所有,由用户控制,其所创造的价值,根据用户与他人签订的协议进行分配。在这种体系之下,这些数字内容就不再是简单的数据了,而是数字资产,因为它的权利得到了资产级别的保障。 区块链是Web 3.0 的技术基础。 区块链实际上是一个去中心化计算协议,约定了不同的利益主体如何分散的创建和维护一个分布式的计算基础设施,从而单一平台通过计算基础设施管理权力,实现对用户数据、用户资产和用户身份的控制。 因此区块链是 Web 3.0 必不可少的基础设施。但区块链只是手段,目的是实现用户数字资产权益的确认和保护。 一句话总结,web 3.0是想要运用区块链和去中心化的技术去构建一个更民主的网络。 那么,元宇宙与Web 3.0究竟有何关系呢?Web3.0是技术发展方向的未来,元宇宙是应用场景和生活方式的未来,二者之间是相辅相成的依存关系。具体来说,在元宇宙中,AR/VR解决元宇宙前端的技术需要,而Web3.0在后端提供强有力的技术支撑。

晒货图片

发布了晒货 5月前

篱笆教育 | 转行简历没内容不用慌,篱笆老师手把手带做项目

G同学:我是一名在职人士,之前学习的是会计专业,现想转至数据分析、商业分析方向。在没有太多相关背景的情况下,期望感觉篱笆老师能够帮助专业化、系统化梳理知识,给予我在转行和求职等方面的支持。 Jenny导师:加州大学圣地亚哥分校硕士,谷歌数据分析师,擅长帮助学生挖掘自我能力并顺利通过工作面试,短时间内快速高效提升面试技巧和语言水平。 我之前在美国机缘巧合加了篱笆创始人的微信,在有了转行的想法后便向他询问了大概情况,感觉篱笆的老师和服务整体上都很不错,而且老师都是大厂的面试官,所以最后选择了“篱笆”以学习更多的专业知识。我没有相关的专业背景、实习工作经验,而项目经验对转行来说至关重要。篱笆的Jenny老师手把手带我做几个Project,我也因此积累了很多实战经验,老师的教学内容对我入门来说是很不错的,帮助我快速提升期望岗位所需技能。 在上课过程中,老师主要针对商业分析、数据分析等方向,带着我们完成业界典型的大数据项目,让我能够了解到最前沿的大数据变革潮流,并熟练掌握大数据分析所需要的技巧方法和思维方式,极大地提升了自己的申请和求职背景。此外,每次上课都会有提问环节,Jenny老师会聚焦于我们遇到的问题负责、耐心地解答,总结归纳一些我可能忽略的细节、难点,帮助我更好地去消化吸收知识点,让我在丰富自身经历的同时,也实实在在地提升了职业技能。 比如我曾经咨询过老师技术面的情况,因为在会计行业其实是没有技术面一说的,我对于求职数据方向要如何准备技术面试知之甚少,Jenny老师就详细的为我梳理了技术面试的要点,主要就是四类内容: 首先是Online Assessment,HR会给你一个链接,或者他们内部的一些软件,对于一个记时的形式让你完成,比如说一两道SQL,一个python让你定义一个作用或者通过SQL去完成一些矩阵构造等等。 其次是Take Home Challenge,一般HR会给你发一页纸到两页纸之间一个实例或者方案让你通过做一些分析或者建立机器学习模型帮助这个实例解决某个问题。经常情况下当你做完会让你做一个展示。 在然后是Technical Phone Interview ,通常情况下他会有一个30-45分钟时间,会考你比如machine learning algorithm,statistics probability等等。还会问你一些这方面的经历与经验。让你回答一些比如在方案设想里面你会用哪些分析的方法去解决这些问题。 最后是Whiteboard,不仅考察你写代码的能力,也考察你的心理素质,一般情况下,面试官会给你一个Google doc或者一个白板,让你在上面自己打一些代码,他会考察一些你的逻辑思维以及你是否有一个清晰的框架,是否有一些想法等等,这种情况下你可以问一些跟进式问题来帮助你更加理解它的问题和争取更多思考的时间。  这些内容对我的帮助就特别大。 另外因为我们上课的三个学员基础不太一样,有一个学员本身就是数据分析专业在读的master, 她的提问往往是我在做project的过程中没有注意到的点,这让我也更深入地接触、了解到了数据分析专业相关的知识。令我印象深刻的是,Jenny老师非常有亲和力和耐心,课上,哪怕我的问题非常的基础甚至是基础概念,她都会非常耐心地解答,课下她也一直在鼓励我,让我的学习动力不断提高。我非常感谢Jenny老师的辛勤付出和帮助! 总的来说,篱笆还是提供了性价比较高的课程服务项目,不断来丰富我的经历,增加申请的竞争力,在求职技巧和简历修改等方面帮助还是颇多的,让我在以后的求职过程中也更加有信心拿到心仪的Offer!如果你对留学、求职和创业感兴趣的话,推荐来到篱笆哦。 

晒货图片

发布了晒货 6月前

机器学习求职分享 | 推荐系统中如何利用「不喜欢」这样的信号

大家应该能发现,越来越多的推荐系统,特别是基于feed或者说基于流的推荐系统,比如短视频,比如淘宝的推荐主页,比如微博主页等等,新增了不喜欢或者不感兴趣这个按钮。 那么作为一名算法工程师,你应该如何使用这样的信号来帮助你的产品呢? 面对这样一个问题,或者面试题,其实是没有什么标准答案或者最好答案的,使用这个信号的方法是多种多样的。 可能首先大部分人能想到的是,不喜欢是一个很强的信号,它比类似“没有点赞”,“没有点击进入”,“停留不超过5秒”这样的负面信号还要负面,是一个high confident(高置信水平)的负面信号。 面对这样的信号,大家可能第一反应就是做一些rule(规则),比如“当当前内容与不喜欢过的内容或者产品相似,则降低其推荐权重。” 这个想法很直观,但是如何判断两个内容或者产品频是否“相似”,则引申出了另一个一个很大的机器学习问题。 那么我们可以把这些数据当做来训练用的label(标签)吗?这个当然也是可以的。但是这里就又引申出来了其他问题,比如我们是应该训练一个【预测用户是否喜欢一个item】的模型,然后把这些label当做额外的负面的label加到训练数据集使用,还是应该用这些label来训练一个【预测用户是否不喜欢一个item】的模型。 如果是第一种的话,如何给这些high confident的负面label更大的训练权重。是否可以作为multi-task learning的一个task来学习? 如果作为label,它是否会过于稀疏了?等等等等。 我们还可以把不喜欢的信号,当做feature(特征)加到我们一些预测模型中。 除了以上讨论的,还有其他问题,比如用户现在不喜欢这个东西,那是否代表他永远不喜欢,如何考虑用户不喜欢程度随时间的变化? 以上就是很经典的一个ML Design的思考过程,作为ML从业人员,大家需要加强这种思维能力。这个不仅对于面试,对于工作来说也极其重要。

晒货图片

发布了晒货 6月前

篱笆教育 |篱笆老师因材施教,帮助我跳槽拿到亚麻等Offer

Gloria同学:数理统计专业(Mathematical statistics master),有一定的职场经验,但在八年的工作期间内,未在科技公司就职且周围从事相关方向的朋友较少,欠缺有效的指导和可利用的资源。通过篱笆老师系统化和专业化的指导,顺利拿下Amazon等多家公司的offer。 Kyle导师:Google Product Analyst,曾在Amazon,Sony,startup任职Data Scientist。2年+面试官的经验,教学经验丰富,擅长生动灵活的教学方式,帮助学员全面掌握知识点。 我从一位好友的朋友圈分享安利中,得知篱笆教育。而由于身边人对于科技公司不是很了解,苦于没有可直接利用的资源,急需要行业人专业性的方向把控,再加上马上有亚马逊面试,故决定报名篱笆教育课程。 Kyle老师也非常棒,上课自带relaxing style,风趣幽默,比较mind opening。平时授课除了会将知识点细致化的讲解以外,帮助我吃透知识点,还会针对我个人具体的求职情况,例如会在mock interview 和 leadership principal 等提供相对应的练习,匹配度很高。总的来说,两位导师都帮助我大幅度地提升了product sense部分。 但对于自身而言,我是有一定的工作经验,所以我认为最大的帮助并不是老师所讲的知识本身,而是篱笆老师起到了提纲挈领的作用,抓住了问题的关键,帮助我清楚了自己的短板,并找到了后续面试的准备方向。同时,也提升了自信心,从一开始期望于二十万薪资的工作到最终可以拿到二十五万薪资的工作。总体而言,这比自己找资料积累知识点更加高效更加内行,也让我走出了“事倍功半”的困境中。所以,也推荐各位有相关需求的小伙伴报名篱笆课程哦~快速地提升自己面试的能力。 此外给我留下最深刻印象的是:Kyle导师之前曾在Amazon任职,对我面试Amazon给予莫大的鼓励,也为我后续面试相关方向更大平台的公司提供一针“强心剂”。总体而言,篱笆老师全程高能,成功帮助我拿到各大公司offer,欢迎各位小伙伴前往了解并参与报名呀~ 也欢迎大家通过微信联系我:Purelida_MJ。

晒货图片

发布了晒货 6月前

篱笆教育 | 篱笆老师经验丰富、CS面试真题押题命中率高

Z同学:后期转专业学员,本科就读于四川大学高分子专业,研究生就读于美国东北大学计算机专业。在篱笆老师的帮助下,目前已拿到TransUnion的offer。 Kevin老师:谷歌软件工程师、面试官,加州大学伯克利分校计算机本科,熟悉美国计算机方向面试,教学经验丰富,高效帮助学生掌握算法理论,夯实编程技能提升面试能力。 Dong老师:Facebook软件开发工程师、亚马逊前端开发工程师、NBCU软件开发工程师,纽约大学研究生,为人亲和,善于帮助学员梳理、总结知识体系,押题命中率高。 我在领英平台上了解到“篱笆教育”机构,并且我的一位学姐也报名了篱笆课程。在向她询问了大概情况后,我感觉篱笆的老师和服务整体上都很不错,课程价格也非常合理、实惠,而且老师都是大厂的面试官。课程内容也非常灵活,导师会聚焦于学员遇到的难点和痛点耐心、负责地解答。 比如:在收到Meta和Amazon前端实习的面试邀请后,我非常茫然,一时之间不知道该从何处准备。Dong老师针对这两个面试给了我很多指导,讲解非常到位,押题命中率非常高。Kevin老师在Mock方面,积极根据个人实际表现情况提出了可行性的意见和建议;在BQ问题上,也在耐心教我如何结合自身的真实经历展现出自己的业务能力。 两位老师都非常专业,性格和善。Dong老师很爱笑,能看出来她是一个开朗热情的人,最让我印象深刻的还是老师押题命中率特别高,对我在面试准备上帮助很大。Kevin老师让我意识到做题的重要性,更愿意去做题。两位导师的教学都会更贴切学员自身的情况,能更具针对性、有效性地回答我想要知道的问题。在面试准备过程中,我便少走了很多弯路,并没有一味地陷入题海战术的漩涡中,而会及时总结、梳理思路,意识到每一轮面试的主要考察点,进一步了解自身的不足以及时有效地补齐短板。 如果在求职上遇到困难或者想进一步提升的同学,可以了解一下“篱笆教育”哦。感兴趣的同学可以先去试听一下篱笆免费的分享会,老师都非常专业、负责、有耐心,干货满满,相信同学们一定会有所收获的!如果有想要了解“篱笆”的同学,欢迎通过邮箱联系我,我的邮箱是:riversanjose000@gmail.com。

晒货图片

发布了晒货 6月前

Amazon人工智能AI高频面试题分享| SVM、Batch

1. Transformer相关问题 什么是attention network, transformer 2. Transformer相关问题 什么是BERT 3. Gradient Descent 什么是stochastic gradient descent. 和gradient descent有什么区别 4. Bias/Variance 什么是bias and variance 5. SVM 什么是SVM? What does Support Vector stand for? 什么是kernal trick? 6. Regularization 有哪些regularization方法(L1,L2,dropout) 什么是dropout? 为什么可以regularize? 7. Gradient Descent 什么是stochastic gradient descent. learning rate应该怎么决定? 当batch size增加时,learning rate应该增加还是减小? 8. Batch Norm 什么是batch norm。有什么用 9. Dropout 什么是dropout。dropout的过程中activation的input会比没有dropout要小,因为一些上一层的neuron没有contrbute,这个时候怎么办。Testing的时候要不要dropout。 10. ML基础知识 什么是supervised 和unsupervised learning

晒货图片

发布了晒货 6月前

篱笆老师分享 | 有没有必要把机器学习算法自己实现一遍?

对于机器学习入门者来说,一边学习各个模型一边尝试用Matlab或者Numpy复现是很有帮助的。 刚入门机器学习的时候大家很多时候都会产生这样一个疑问,市面上各个各样的机器学习库这么成熟,训练一个模型只需要用调一个sklearn,跑一下model.fit()就好,为什么老师或者很多已经在这个行业的人还是会建议你自己动手再实现一遍。 我想这里主要有几个原因。 首先,完整实现一个模型才能真的保证自己对于这个模型是有完整的理解的。每个自己复现过模型的人都不得不承认它对于提升自己的模型理解的帮助。 随着你学习的时间越来越长,在这个方向经验越来越多,你就可以从复现一些常见简单的模型,开始向复现一些主流的常见的深度模型过渡。能实现论文里的模型,是一个ML从业者的基本要求。 其次就是,有些面试,会让你当场手写一个模型。最常见的就是KNN和K-means的实现。如果你从来没有实现过的话,遇到这些面试可能很难当场给出个很好的解答。 在北美这种面试题目一般会在data coding或者ml coding轮次出现。所以复现模型对于求职面试也是很有帮助的,如果遇到了这类面试,大家记得在面试前复习下常见模型的实现。

晒货图片

发布了晒货 6月前

Amazon面试高频BQ问题面经分享 | 做出决定、判断错误

1. Make the right decisions Use sound business judgment to make the right decisions quickly and achieve results,even in the absence of complete data? 2. Question decisions Question whether decisions are being made in the Company's and customer's best interest and change course when they are not? 3. Recognize that great ideas come from others Actively seek out the best solutions,recognizing that great ideas often come from others? 4. Recognize that your idea may not be good Recognize that your idea may not be as good as someone else's and get on board with the best idea? 5. Make decisions Tell me about a decision for which data and analysis weren't sufficient to provide the right course and you had to rely on your judgment and instincts. Give me two to three examples.They don't have to be big strategic decisions-could be big or small. 6. Right solutions Tell me about a time you made a difficult decision and how you knew it was the right solution(probe on how they evaluated the options,if they received input,what data they reviewed,etc.) 7. Make decisions in the absence of good data Give me an example of when you have to make an important decision in the absence of good data because there just wasn't any.What was the situation and how did you arrive at your decision?Did the decision turn out to be the correct one?Why or why not? 8. Make a bad decision Tell me about a time when you made a bad decision and the learning from the experience enabled you to make a good decision later.What did you learn that you were able to apply? 9. A number of possible solutions Tell me about a time when you have been faced with a challenge where the best way forward or strategy to adopt was not "clear cut"(i.e.there were a number of possible solutions).How did you decide the best way forward? 10. An error in judgment Tell me about an error in judgment you made in the last year or two,what it was and the impact of it.

晒货图片

发布了晒货 7月前

篱笆教育 | 谷歌导师谈毕业第一份工作是去大厂还是初创公司?

我的个人观点是:毕业生第一份工作建议去大厂,有足够的工作经验,找到合适的startup后跳槽。 一、去大科技公司的好处: 1. 公司管理模式成熟。很多其他小公司在摸索的技术问题/管理问题,大公司都解决了。很多问题如果不是公司发展到一定程度是不会遇到的,一旦遇到是很难解决,这是就需要有经验的人还帮助这些在发展中的公司解决这些问题。 2. 学习机会多。大公司有问题多免费的学习的资源,培训也很有体系,很全面。课外学习还能报销学费。 3. 未来选择更宽:工作几年之后去读MBA,或者继续大公司,或者去创业。 4. 人脉:大公司的工程师平均技术水平和沟通能力都很高。也有一些人有创业野心。大公司每年很多人跳去startup,你以后找startup的时候很可能可以用上这些资源。 5. 视野:大公司站的很高看的很远,对刚毕业的学生建立全球视野很有帮助。 6. 前沿技术:In general大科技公司里的技术一定是领先的,但不同组之间的差异也很大,如果努力进入核心组,可以学习到很多最前沿的技术。 7. 绿卡:大科技公司办绿卡容易,解决身份问题上对策多。 8. 收入:大科技公司的package绝对是准第一梯队的。攒下第一桶金在职业生涯早期非常有用。 9. 换组容易:换组不需要重新刷题,也就是说你可以更容易的积累更多经验。 二、去Startup的原因 1.成长。大公司到一定级别会有很难的坎,而且很多时候只是机会的问题。在大公司难升上去主要是因为竞争的人太多。要想继续成长,可以绕道一下Startup。 2.成就感。作为公司的主力,把一个小的startup做成Unicorn的成就感。在大公司也有类似的机会,但是少很多。 3. 财务前景:如果公司成功,财务上的回报远远大于大公司。 三、去Startup的时机 1. 个人或者公司整体发展受限的时候 2. 经济上允许的时候,从大科技公司跳去早期Startup,要做好年收入可能减半的准备。

晒货图片

发布了晒货 7月前

篱笆教育 | 即使入场晚,在篱笆老师的帮助下我也顺利拿到实习

L同学(本文作者):康奈尔大学计算机科学专业、曾在多个方向(DS、BA、MLE)进行实习,今年找实习入场比较晚,想通过课程在短时间内为求职MLE方向做好准备 Lan导师:微软应用科学家,宾夕法尼亚法学数据科学硕士,美国数据建模大赛特等奖,具有扎实的数学、计算机、机器学习背景 我就读于康奈尔大学计算机科学专业,之前在不少公司都有实习过,比如:微软、谷歌、华为、字节等地方,但所从事的岗位还不太一样,这也极大地丰富了本人的经验。第一次实习是在微软,但当时我还是物理专业,后来因后期规划和兴趣而选择转成DS专业。而后,我在谷歌做BA方面的PTA,在暑假又去到华为做了MLE、自然语言处理相关的工作,主攻语音助手小艺产品。之后,我在字节做的是一个是跟AI相关的SaaS项目。 最近的情况就是我收到了momentive.ai公司的offer。在求职过程中被问到的问题基本上都是老师教的,“篱笆”真的对我有很大帮助! 我是在领英上最先知道篱笆的,然后又去旁听了几场篱笆的分享会,感觉收获很多,就报名了“篱笆”课程。其次因为我今年找实习入场比较晚,所以想通过篱笆让自身短时间内准备得更好。 一开始我上了Lan老师的课,Lan老师作为微软机器学习应用科学家,所教授的内容也跟我想做的方向相一致的。在上课过程中,Lan老师基本上把主要的、重要的知识内容做了梳理,帮我搭建了一个较完整的框架、体系,如此一来我差不多知道有什么方向自己需要再深挖,也让我在后面的求职准备中也更加从容。 令人印象深刻的是Lan老师多次课程超时,讲了2小时40多分钟。老师非常敬业,哪怕超出了说好的时间,他也会很负责地把我提出的问题或者所教授的内容具体地、深入地、细致地讲清楚。除此之外,在结课之后,老师和我也一直保持着联系,当他看见比较适合我的岗位也会私信和我讲,让我去尝试投简历,包括momentive.ai公司的offer,也是Lan老师把这个岗位告诉我的。 之后我又报了Kevin老师算法课的原因是MLE方向的岗位对Coding的要求也是较高的。Kevin导师是谷歌的软件工程师,在算法方面的能力非常强,我想了解具体Coding面试中到底有哪些难点,便于自身发现不足之处后更加有针对性准备。对于我来说,就是花钱买时间,帮助自己在短时间内准备地更充分。 我觉得两个老师都非常好,Lan老师非常热情,我们也很像朋友一样相处,非常希望我能够拿到心仪的offer。Kevin老师很专业,有耐心 ,对我在算法方面的帮助非常大。我感觉“篱笆教育”和其他机构最大的不同便是老师不仅仅是在教授内容,而是像“学长“一样来帮助作为学员的我们。如果在求职等方面有需求的同学们欢迎报名“篱笆教育”哦! 如果有和我经历相似,想再和我沟通一下的同学,可以通过我的邮箱: yl992@cornell.edu 或者微信:Alpha_Bill 联系我。

晒货图片

发布了晒货 7月前

Google最新CS面经分享 | 各类编程问题,转换,匹配

下面是篱笆老师为大家整理的最新谷歌面试真题,希望对SDE求职准备秋招的同学们有帮助! 11. 发射信号 给一个Router List, 包含所有router的坐标x,y. 设定Router 的最大无线传播距离为k. 求Router A是否能够把信号传播到Router B 12. leetcode 315 给你一个整数数组 nums ,按要求返回一个新数组 counts 。数组 counts 有该性质: counts[i] 的值是 nums[i] 右侧小于 nums[i] 的元素的数量。 示例 1: 输入:nums = [5,2,6,1] 输出:[2,1,1,0] 解释: 5 的右侧有 2 个更小的元素 (2 和 1) 2 的右侧仅有 1 个更小的元素 (1) 6 的右侧有 1 个更小的元素 (1) 1 的右侧有 0 个更小的元素 示例 2: 输入:nums = [-1] 输出:[0] 示例 3: 输入:nums = [-1,-1] 输出:[0,0] 提示: 1 <= nums.length <=105-104 <=104<=104 13.在杆上放环 您有 10 根杆,编号从 0 到 9。有三种类型的环 - 红色,绿色和蓝色 - 被放在杆上。每个杆上都有一个每种颜色的环,你得到一个点,也就是说,要得到一个点,你需要在一根杆上有一个红色环,绿环和蓝色环。 戴在杆上的戒指由两个字符表示 - 第一个字符描述戒指的颜色,第二个字符描述它从0到9在哪个数字杆上。例如,“R8”表示在第8根杆上放置了一个红色环。 编写函数: 类解决方案 { 公共 int 解决方案(字符串 S); } 给定一个正确的长度为2N的字符串,描述放在杆上的N个环,返回您将获得的点数。 示例: 对于“”B2R5G2R2“,”“”,答案是1 给定的S =“R8R0B5G1B8G8”,你的答案应该是1。放在第8根杆上的环有一分(上面有一个红色,一个蓝色和一个绿色环)。第0根杆上还有一个红色环,第1根杆上有绿色,第5根杆上有蓝色。你不会为他们得分,因为他们没有在一根杆上形成一个完整的三人组。任何其他杆上都没有环。 14. 连接字符串以获得回文 如果字符串的向后读取与向前读取相同,则它是回文。例如,“madam”和“racecar”是回文,但“milk”不是。 我们得到了一个N个字符串数组,其中每个字符串由两个小写的英文字母组成。我们希望将尽可能多的字符串连接在一起,以获得回文。 编写函数: 类解决方案 { 公共 int 解决方案(String[] A); } 其中,给定一个长度为N的数组A包含两个字母字符串,返回可以通过从A将尽可能多的字符串连接在一起来创建的最长回文的长度. 示例: 给定A = [“ck”,“kc”,“ho”,“kc”],该函数应返回4,因为可以从A创建的最长回文是“ckkc”和“kcck”, 并且它们的长度都等于 4。 给定 A = [“ab”, “hu”, “ba”, “nn”],该函数应返回 6,因为可以从 A 创建的最长回文是 “abnnba” 和 “bannab”,并且它们的长度都等于 6。 给定 A = [“so”, “oo”, “kk”, “od”],该函数应返回 2,因为可以从 A 创建的唯一回文是 “oo” 和 “kk”,并且它们的长度都等于 2。 给定 A = [“do”, “go”, “ok”],该函数应返回 0,因为无法从 A 创建回文。 为以下假设编写有效的算法: N 是 [1, 100,000] 范围内的整数。 A 中的每个字符串由两个英文小写字母组成。 15. 路由器之间的大写消息 让我们定义一种名为“广播和关闭”的消息。当路由器收到此消息时,它会将相同的 消息广播到其无线范围内的所有其他路由器。然后,该路由器将关闭,并且无法再发送或 接收消息。 例如,路由器 A 位于 (0, 0);路由器 B 位于 (0, 8);路由器 C 位于 (0, 17);路由器 D 位于 (11, 0)。 如果 无线范围为10,当路由器A发送消息时,它可以首先到达B;来自路由器 B 的消息将进一步到达 路由器 C。但路由器 D 永远不会收到此消息。 A 0 0 B 0 8 C 0 17 D 11 0 问:给定路由器位置列表(它们的名称和相应的2D坐标),告诉我来自 路由器A的消息是否可以到达路由器B。用适当的输入和输出参数编写方法/函数。 16. 将矩阵转换为所有零 给一个matrix,只包括0和1,可以不断的翻转行或者列,请问是否能让这个matrix全是0?翻转某行或者某列的意思是,此行或者此列的1会变成0,0会变成1. 初始状态: 0 0 1 0 0 --> 1 1 0 1 1 0 0 0 1 0 0 0 0 1 0 0 1 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

晒货图片

发布了晒货 7月前

想前往硅谷工作,但不知道怎么做?试试这三条路线!

1. 留学路线; 2. 跨国公司relocate路线; 3. 直接申请海外职位路线。 成功几率:1>2>3 (1)留学路线 这条路是在找工作方面风险最小但是投入成本最大的。 如果你准备走这条路的话,不管你是在读书还是工作,建议今早开始准备出国:如果去读本科的话,需要准备托福,SAT,好的学校还会看AP也就是大学先修课程,研究生需要准备托福,GRE,不论本科还是研究生,能找到一个好的中介都是会对你有很大帮助的。现在美国留学也是越来越卷,不少同学在研究生开学之前leetcode就已经刷了好几百题了,一开学就找实习,找工作,如果不提前准备的话很可能跟别的同学比有很大差距。 但是这条路,通过读书(F1签证)去美国工作,相对是成功率最高的。同时也是在海外工作的大部分人所走过的路,也就是说 well justified 的可行之路。缺点就是 对于现在在工作的人来说成本太高:要辞退工作,要准备英语,要花海外大学的学费,另外还要投入2年左右的时间,还真是一笔相当大的开支。可能适合推荐在校学生或者工作2-5年的人使用(外加自己英语底子还不错的)。 (2)跨国公司relocate路线 这条路觉得对于已经工作的人是比较稳妥的。具体执行办法就是去一个外企或者海外有办公室的公司好好工作,然后在工作2-3年后,申请(一般这些公司也有这些机会和名额)transfer到美国。涉及的公司主要是传统外企:Google,Microsoft,Yahoo。我周围有的同事就是几年前通过这种方式来工作的,现在疫情期间可能比较困难,希望之后会好一些。 (3)直接申请海外职位路线 这条路是最困难的一种方式,近些年来我很少知道有人是通过这种方式来工作的。以前有的话,应该也是顶尖人才。

晒货图片

发布了晒货 7月前

篱笆教育|BA专业求职DS,篱笆老师帮我克服专业不对口的劣势

Adam同学(本文作者):杜克大学商业分析专业,期望求职数据科学或人工智能相关岗位,由于专业不太对口,在求职的时候缺乏优势,篱笆老师通过完善全面的课程体系,帮助学员全方位提升求职能力。 Dana导师:谷歌数据科学家(美国),斯坦福大学硕士&牛津大学经济学本科,曾收获谷歌、FB、Bytedance、Roblox等DS offer, 全方面掌握Tech大厂DS面试的知识点,帮助学生整理独特又精准的答题思路 我现在在杜克大学读商业分析,我的专业申请BI这种职位比较对口,但我在学校接触到一些AI(人工智能)和Machine Learning (机器学习)的课之后,发现自己其实对 Data Science (数据科学)和 Machine Learning engineering (人工智能工程)这种更偏技术的工作更感兴趣。可是我的背景让我在申请这些职位上缺乏优势,可能海投了一百多份简历只有一两个回应,我也不知道简历的问题出在哪,不知道在专业不对口的情况下应该怎么写简历突出自己。恰好当时有篱笆的人通过领英来联系我,然后我就想说那就来试试看,所以我就报名了篱笆的课程。 有三位导师一起负责我的授课内容,一开始Dana老师算是我主要的老师,先帮助我规划了我就职的 road map(路线图),中间找出了我需要增强的地方,然后Jenny老师和川川老师来负责我的专项提升。Dana 导师主要负责教我一些 product sense (产品思维)和 A/B testing(A/B 测试)的内容,川川老师就专门负责我的Machine Learning 和NLP,我感觉川川老师在这方面还蛮厉害的,Jenny老师就是专门在SQL上给我总结一下答题思路和常见的考题答题技巧。 课程完成之后我也一直在面试相关的岗位,最近在面的一个MLE岗位已经过了第一轮technical interview(技术面试), 下一轮要测 probability(概率) 和 programming(编程), 我也在群里咨询Dana老师应该重点准备什么内容,Dana老师也会回复我一些建议和她能够提供的资源。 总体上来说,我觉得上课的内容很不错,Dana 老师有做给我一个product sense 的 Google doc,那个我还留着,准备面试的时候也会看一下,内容特别完整,资讯有很多。另外我比较经常去查的就是川川老师的ML的东西,有一些观点是我以前没有想过或者学校以前没有这样提过的,这些东西对我ML的知识的扩展是有帮助的,时也是一些面试的考点,所以对面试来说也是很有帮助的。 通过篱笆教育的辅导,我不仅提高了自己面试的能力,还增长了很多相关的知识,因为我个人也比较喜欢学习新的东西,所以整个过程还是比较开心的,也非常推荐感兴趣的同学可以了解一下篱笆教育。 也欢迎感兴趣的同学邮件和我联系:andywulu914@gmail.com。

晒货图片

发布了晒货 7月前

Google最新CS面经分享 | 查找字符串、建造塔楼、交易

1. N 排序数组中的最小范围 input 给n个integer sorted array,如果从每个array取一个element那么这n个数最小的range是什么. 2. 找到最低成本 经典dijkstra题 给一些地点和两地之前飞机票的价钱 问两点最小cost怎么走. 3. leetcode 1273 4. 查找带前缀的字符串 给一个string array 和一个string pre,找array里所有有pre作为prefix的string. 5. 设计文件系统 要求实现一个function计算目录/file的size,添加一个file entity以及给你一个entity,判断是否合法(判断sub directory or file是否存在环. 6. 建造塔楼 给两个int m,n 代表matrix长和宽,再给两个API buildTower(), stop().call 一次buildTower()会返回matrix上点的坐标, 表示在这个点上建塔,stop()就是停止建塔.matrix左右两侧各有一个city, 分别与matrix第一列/最后一列相连.问要call几次能使得两个city通过tower联通. 7. 右上角的指针数量 给一堆点,每个点x,y坐标都是整数且都不重复,求每个点的在他右上的点的数量。用segment tree或者treeset做 8. 切块的可能性 n个k面色子 输出每种和的概率数组 比如2个2面色子 输出 [0.25, 0.5, 0.25] 9. 生成相似的字符串 生成类似字符串 Input是一组字符串,例如[“word”, “orange”, “of”] similar string的定义:如果一个字符串w是字符串组数组的类似字符串,那么:1.w的第一个字符必须和array中某一个字符串第一个字符相同;2.w的最后一个字符必须和array中某一个string最后一个字符相同;3.w的中间字符相对于前一个字符的分布,必须和array中每一个字符相对于前一个字符的分布相同。最后一个条件有点费解,拿这个input举例,如果w[i]是'o',那么w[i+1]只能是'r'或者'f',而且是'r'的概率是'f'概率的两倍 10. 处理交易 处理transaction 已知有一个函数processTX([tx1, tx2, ...txn])可以处理事务 [tx1, tx2, ...txn],如果transaction中所有entries都是good entries,那么processTX返回true;否则返回false。processTX是一个黑盒。 要求写handleTX([tx1, tx2, ...txn])来处理任意transaction,要求为: 1.调用完后,所有good entries都被processTX调用过一次 2.调用processTX的次数足够少

晒货图片

发布了晒货 7月前

Amazon 最新数据分析面经| SQL、概念解释、产品思维

11.SQL窗口功能 根据 Q2,找到最高成本订单。 12.SQL 选择部门,活跃/非活跃员工 用到案例何时,然后计数? 13.SQL嵌套查询 选择高于平均部门工资的员工。 子查询先获得部门平均工资,然后获得工资>子查询 14.SQL窗口功能 选择每个部门 中前 3 名员工的薪水row_number() over (按部门顺序按工资部门划分) 作为 rnk,然后在外部查询 rnk=3 15. 概念解释 衡量逻辑回归性能的关键指标是什么? 在逻辑回归中,我们通常使用0.5作为阈值,在什么情况下要更改该阈值? 聚类与分类之间的区别 融合的两种常用方法是什么?有什么区别? 解释偏差方差权衡 解释选择偏差 选择偏差是由分析中样本的选择引入的,不代表您要分析的一般总体。例如,仅选择covid数据来预测美国的纸巾需求。 解释差异中的差异 什么是统计功效? 假设在实验中,统计功效真的很低,我们无法改变样本大小,你会怎么做? 如何提高低功耗和大量噪声实验的准确性? 16. 产品题 一个产品的实际收入比预测收入低40%, 问如何找原因

晒货图片

发布了晒货 7月前

人工智能求职 | 面试官如何判断求职者的机器学习水平?

首先,有些公司可能会给一些大致的指导性原则,面试官应该从哪些大方向上进行考核。比如Amazon会强调面试官应该去考察面试者在ML上的深度和广度。 而更多的公司其实没有明确的机器学习的面试要求,更多的是面试官自己“发挥”。 在我这些年参与的面试里,我能体会到,不同ML面试官的面试题风格多种多样,但也有一定共性,比如有些问题大家都爱反复去问。 比如逻辑回归对吧,它的loss是什么,是用什么优化算法来minimize loss的,minimize这个loss和最大似然估计有什么关系。过拟合要怎么办,L1和L2的区别。这些问题大家会在无数面经里看到。 为什么面试官喜欢问这些问题呢。首先大部分面试官也不想刁难面试者,没有必要去问些很偏门的模型或者知识。其次面试官想知道面试者是真的有机器学习理论基础的而不是只是会调包。而这些高频题,它们首先很基础很重要,是每个做机器学习的人都应该知道,其次面试官还是比较容易通过面试者的回答,摸清他们对于机器学习的理论到底掌握到什么个程度。所以面试官经常喜欢问他们。 说到这里给大家一个我常给篱笆的学生的一个建议,主动去收集高频题是很重要的一件事,题海战术对于机器学习面试是有用的。 在如今这个就业市场,大家的简历上人均三四个机器学习项目。为了能找到真正优秀的机器学习从业者,面试官一般有两件事会想重点考察,一个是面试者是不是调包侠,是不是虽然做了项目,但是不清楚自己的每一个数据处理,每一个模型,每一个决策背后的所以然。 比如面试官会追问你为什么用Accuracy不用F1,为什么要这么做feature不那么做feature,为什么用这个模型不用那个模型。大家可能在很多面经里也能看到很多这种风格的问题。然后面试官会追问模型的各种理论细节,比如你用了XgBoost,那你讲一讲模型是什么,loss是什么,为什么用二阶泰勒展开,等等。基本上一套下来,面试官就大概可以摸清面试者的理论掌握程度了。 另一个考察的方面是面试者的项目经验。比如神经网络如果loss变成Inf会是为什么,比如label不平衡怎么办,比如怎么处理缺失数据等等。这些问题主要是想看面试者有没有执行一个完整的机器学习问题的能力和经验。 知道了面试官是怎么考察面试者的,大家之后在准备机器学习的面试的时候,就需要关注下这些方面的准备。希望这些分享对你有所帮助!

晒货图片

发布了晒货 7月前

篱笆教育 | 篱笆老师助博士学员走出迷茫,顺利拿到Offer

S同学(本文作者):美国社科专业博士,期望转行数据科学行业,但在行业知识和求职技能上有欠缺,希望通过辅导拿到心仪的offer Dana导师:谷歌数据科学家(美国),斯坦福大学硕士&牛津大学经济学本科,曾收获谷歌、FB、Bytedance、Roblox等DS offer, 全方面掌握Tech大厂DS面试的知识点,帮助学生整理独特又精准的答题思路 我在美国读本科后直博,现修读社科专业。此专业也涉及很多统计知识,我对此方面还是比较了解的,但对Data Science 求职流程不太了解。所以我希望找一个短期培训帮助自己今年寒暑假找到实习,在毕业之后也能拿到的一个比较满意的offer。 我在小红书上看到有人推荐“篱笆教育”后,便先关注了“篱笆教育”的公众号,在接下来的一段时间发现其会定期发布了一些很有用的内推信息和免费的课程活动。综合考量下,我选择了“篱笆”。最后,我也非常感谢老师们毫无保留地教学和辛勤的付出。 因为我身边做Data Science方向的人没有很多,所以我很需要一些本身从事这个行业的人给我一些关于方向上的指导。而作为⾕歌Data Scientist的Dana老师便是做这个行业的,她很专业也很有耐心。在课后聊天过程中,我说出了职业选择的犹豫,道出了对后续发展规划的迷茫,老师也会耐心疏导、提出建议。 此外,我有在B站等平台参加Dana老师的分享会以及模拟面试等活动,感觉真的干货满满,比如:我可以看别人在面试时的状态和回答来意识到自身的不足,及时查漏补缺。Dana老师也是非常熟悉各个大公司的面试流程的,对我在掌握专业知识和面试技巧等方面帮助很大。 “篱笆教育”除了一些专业的知识教授之外,老师也会做一些经验分享。当在求职过程中、平时工作中以及以后职业选择上遇到问题,老师都会积极去解答我、帮助我。希望在求职面试等方面想进一步提升的同学们可以去了解一下“篱笆教育”哦! 如果有和我类似经历的同学,也可以通过邮箱联系我,我的邮箱是:maggiezsq47@gmail.com。

晒货图片

发布了晒货 7月前

篱笆教育 | 一对一针对性指导“实习小白”,篱笆带我拿到实习

Y同学(本文作者):美国卡耐基梅隆大学软件工程专业硕士,一开始求职并不顺畅,通过同学的推荐最终选择了篱笆教育,通过篱笆导师的求职规划和针对性辅导,最终顺利拿下实习offer Ming导师:谷歌软件工程师(美国)、亚马逊资深软件工程师(美国) 我在美国卡耐基梅隆大学修读软件工程专业,去年9月入学后便开始找实习,意向公司是谷歌、Facebook等科技公司。 由于一开始求职面试并没有进展地十分顺利,我便在网上搜索寻找好的辅导老师帮忙培训,最终找到了篱笆。特别巧的是,在知乎上的一篇关于“篱笆教育”的文章下有一个我的同班同学的评论,我便立刻去咨询了她。她认为篱笆非常好,老师教授的知识也十分受用,顺便还推荐了一些“篱笆老师”,因此我也最终选择了篱笆教育。 篱笆老师非常专业、有耐心、也很可爱,他们讲课思路都非常清晰、有条理。在篱笆上课的过程中,我觉得不太懂的知识点可以立即提出来,老师们可以迅速找到题目的关键点,耐心解答,帮忙梳理一些我可能忽略的细节、难点;当哪一节课我想先上,老师也会根据我的情况、需求来安排课程。在课后,我们像朋友一样相处聊天,会深入探讨面试、后期职业规划等话题。 令我印象深刻是,Ming老师是谷歌、亚马逊资深软件工程师,他结合实际情况帮我详细分析并提出了许多建议。比如:若最终还是没找到实习,我暑假该做些什么准备?虽然这并不是关于算法的part,但对当时的我来说非常有帮助。因Ming老师鼓励的话语,我焦躁不安的心终于平静下来且顺利度过了找实习的低谷期。 整体上我觉得篱笆挺令我满意的,也非常符合我的预期。我报了两门课程,一门是算法课,我听老师的讲解后以前感觉困难的地方一下子就通了,那种“茅塞顿开”之感增添了学习的乐趣和成就感;另一门是前端课,因当时我准备面试Facebook前端,老师便针对性地带我把试题都过了一遍,收获颇多。我自身也是因“篱笆教育”的口碑很好被同学成功安利的,所以很推荐在求职等方面有需求的同学来学习! 也欢迎有相似经历的同学和我邮件沟通!我的邮箱是:conniekong6666@gmail.com。

晒货图片

发布了晒货 8月前

Twitter数据分析面经分享 | A/B测试/产品思维

1. AB test 为一个新的广告计费模型做AB test,想看看新的模型是否有效。给了数据,要求做tests 2. 找数据,清理数据,分析,建模和汇报结果 问美国的哪个地区近些年来气候变化最大? 这个是完全开放的,要求自己找数据,清理数据,分析,建模和汇报结果. 3. AB test tables,tweets,tweetid, userid, time follow,follower, followe 1) 为每个用户显示的推文是什么 2) 找出相互之间的跟随关系 4. Product sense 大概就是他们launch 了一个feature, 然后有两个platform的revenue time series和其他covariates的数据. 需要你建模去测量这个feature带来的revenue. 5. Metrics calculation 从yahoo finance上load一个bit-coin的data set, 然后大概算算某几个时间段的perf 6. 简单coding+MLE application 简单coding+MLE application。 Coding问题:罐子里有红糖和蓝糖 取到红就吃点 取到蓝就放回去,再取一次并吃掉. 问罐子最后一粒是红的概率. ML application和model selection有关, ROC AUC什么的. 7. 随机分类 给定100k怎么随机分给三个人,并且分钱的expectation相同. 8. Product metrics 关于如何选metrics定义spam users who come back,coding题是给了user - phone number 的hashmap,通过找linkage的电话号码return可以被identify成同一个人的所有user的hashmap. 9. Python histogram 给了user id,action, timestamp table, 用python output一个可以直接用来画histogram的table (i.e. count of users by active minutes). 10. ML新系统问题 有一个新的ML系统,帮助检测哪些tweet是侵权的或者人身攻击的。基于这个model的output(very likely, maybe,not likely),人工会仔细review 第一大类或最多第一+第二大类。 case的context就是要在mobile platform上增加push notification. 11. SQL metrics 给的input table 有三个column: userid, notification_setting('on' or 'off') 和timestamp 1. 算多少人今天turn off notification? 2. 算多少人在今天是eligible to receive notification? 3. generalize 2 to time series 12. SQL join 两个表,A有100行数据,B有150行数据,primary key是ID. 问:full join后的表有多少行数据?inner join后有多少行? 13. SQL join 关于广告竞拍的. second price auction,要优化price floor/reserve price. 给的数据每行是一个bid price bucket,然后有关于这个bucket一共有多少的竞拍,赢了多少,平均竞拍价格,实际支付价格.

晒货图片

发布了晒货 8月前

篱笆教育 | CS求职的小白“萌新”选手也可以一路升级打怪

Carol同学(本文作者):加利福尼亚大学圣塔芭芭拉分校,计算机编程大四学生,期望求职方向计算机,对于刷题和面试基本没有概念,报名了篱笆教育的算法提升和项目实战课程 Kevin导师:谷歌软件工程师,谷歌面试官,加州大学伯克利分校计算机本科,高效帮助学生掌握算法理论,夯实编程技能,提升面试能力 我在UCSB,加利福尼亚大学圣塔芭芭拉分校上学,现在是大四的学生,快毕业了,学的是computer engineering, 求职方向就是计算机。我当时在网上搜索看有没有带领刷题,帮助你求职的机构,在网上就随机看了几家,最终选择了篱笆教育,先报名了算法提升的课程。 我还没上课之前,在刷题和应试面试这块就完全属于新手,应该说只是知道这个题大概长什么样,它会怎么考,但是对于要怎么写和面试时说什么,就基本上没什么概念。负责我的老师是Kevin老师,Kevin老师是谷歌的软件工程师和面试官,他上课的时候,就会讲一些方法,这些方法可能你自己想想不出来,或者要很长的时间去提炼。上完Kevin老师的课之后,我就慢慢知道了面对一道题的时候要怎么考虑,要怎么下手,要往哪个方面去想,就比你自己刷题要做了很多题才能得到一个结论要快一些,节省了我准备的时间。但同时也还是要自己多练,要自己有投入,有思考。 上完了算法课之后,为了提升自己的项目背景,我又报名了另外一个实战项目营,我现在已经把这个项目写在了我的简历上,让我的简历与我想求职的方向相关性强了很多。现在我和跟我一起上课的同学还在一块提升写的这个项目,因为这个项目是先完成一个框架性的内容,然后每个人自己还可以在框架内添加内容,或者是做一些算法的提升。 关于老师和服务这块,我觉得Kevin老师人挺好的,我自己的水平在Kevin老师教过的学生里可能是比较一般的,就是反应可能没其他的同学那么快,他问了一些问题我十有八九也答不上来,但是Kevin老师就很有耐心,这个在交流方面感觉就是一个很好的品质,我们在做项目课的时候,课后有什么问题也可以直接问他,老师的反馈也很及时。篱笆教务这边的教务老师整体的服务质量也不错,总的来说还是比较推荐学弟学妹们了解一下篱笆教育。 如果有想和我沟通一下的同学,可以通过下面的联系方式联系我: 邮箱:yuyuanwang1999@gmail.com 卫星:paradiswong1999

晒货图片

发布了晒货 8月前

Amazon数据分析面经最新分享 | 运算、产品思维、SQL

1. 求中位数 input 一个 array 一个 chanels.每个chanel必须放至少一个数。求每个chanel的中位数和最大是多少 2. 对array的运算,比如最大到最小的差值 出货不平衡。求每一个subarray 最大值减去最小值的差的和. 3. 数列的顺序变换以及运算 给一个positive integer数列,只能做两种operation任意次:换顺序,reduce an element,要求返回一个sorted数列,前后element的差不超过1,使得最后一个element最大 4. 正则表达式中子字符串的用法 非重复字符子字符串 / 828 dp:所有子字符串在 ilast 处结束的非重复字母数:每个字母的最后一个索引在 [0, i] 处有总计 (i + 1) 子字符串。字母 i 在 dp 中最多添加 i + 1 个新的不同字母 还需要减去已经具有字母 i 的上一个子字符串计数,即 lastIndex + 1,dp = dp[i - 1] + i + 1 - (lastIndex + 1) => cur = cur + i + 1 - (lastIndex + 1) 时间复杂度: O(n) 空间复杂度: O(1) 5. 人口运算的问题 国家/大陆/人口,找每个大陆里的人口最高的那个国家 6.SQL 的连接与大小写 用户表有用户ID,性别和加入时间,订单表是订单ID,时间,买家ID,卖家ID.原题:编写 SQL 查询,查找在加入后第一个月内向男性买家销售至少 3 个订单的女性卖家的月度统计。 7.SQL 的大小写  1. 哪些客户在2015和2016 年都有至少order三次以上 2.算出每个月的not active product 数量 表一 OrderID, ProductID,TransactionDate 表二 ProductID, StartDate, EndDate 3.找出每个月的恢复客户计数 4.在第三题基础上,算一个客户保留率 8. 产品意义问题 有4张表:书籍,销售记录,作者,客户. 1. 找出总销售量大于一个数的书籍,按销售量排序. 2. 算出某年某月客户注册第一天的消费占总消费的比例. 9.SQL聚合功能 编写一个查询,该查询为每个order_id返回一行,其中一列表示产品“a”的数量,一列包含产品“b”的数量,另一列包含所有其他产品的数量。 10.SQL聚合功能 编写一个 SQL 查询,用于计算每个订单的总成本、总数量和每单位成本。

晒货图片

发布了晒货 8月前

机器学习面试干货 | 竞价广告的定价机制—第二高价定价策略

今天我们来讨论竞价广告最核心的一个问题之一,如何定价。 在搜索广告里,比如百度 Google Bing,一共有三个参与方,分别是用户也就是看广告的人,平台方也就是发布广告的人,还有就是广告主也就是为广告买单的人。 在竞价广告里,我们可以大致认为广告主们会分别给一个广告位出个价,然后价高者就获得了这个广告位,就像拍卖一样。 定价问题说的是,当平台方展示一条广告给用户后,平台方应该向广告主收多少钱。 讨论定价问题乍听起来有些多余,有人会说按照广告主自己的出价收取不就可以了 吗?为了解释研究此问题的动机,我们先来举一个例子 : 假设有某个位置的广告机会在竞拍,开始有两个广告主参与,甲出价 1 元,乙出价 2 元,当然乙赢得了此次竞价,如果按照其出价来收费,平台方就向他收取 2 元的费用。在广告市场里,这一拍卖机会其实还会不断重复出现,因此,当同样一个拍卖机会再次出现的时候,广告主可以也存在调整出价的机会, 假设乙在发现自己 2 元钱能拿到流量以后,自然就会想到,是不是可以调低出价,用更低的成本拿到流量?乙将一直不断尝试,直到把出价调低到 1.01 元,发现继续调低就拿不到 位置了。于是系统稳定在甲出价 1 元,乙出价 1.01 元。此时假设又有一个广告主丙加入 竞争,并希望赢下此广告位,那么以此类推,他在不断调整后将会出价 1.02 元,平台方的 收入也就是 1.02 元 。 我们有可能通过调整定价策略来影响平台方的总收益吗?答案是肯定的。 比如我们在甲出 1 元,乙出 2 元参与竞价时,乙获胜了,然后平台并不对获胜的乙收 2 元,而是收取其下一名即甲的出价 1 元,那么乙就没有动力调低其出价了,反正调低也是收取1元。那么当丙加入时,就需要出 价 2 元以上才可以赢得竞价,平台方的这次收入也就变成了 2 元。 这就是著名的第二高价 ,也就是second price定价策略。 所谓第二高价,指的是在只有一个位置的拍卖中,向赢得该位置的广告主收取其下一位广告主的出价,这样的拍卖也叫作 Vickrey 拍卖。 在搜索广告这种有多个位置的拍卖,也就是出现在搜索结果的第一条,第二条,第三条这样有多个位置的拍卖过程中,很容易直觉地将第二高价策略推广成这样一个策略:对赢得每一个位置的广告主,都按照他下一位的广告位置出价来收取费用,这 就是广义第二高价。 第二高价是单个位置拍卖时的最优定价策略,然而广义第二高价却不是多位置拍卖时的最优定价策略 。虽然并非理论上最优,广义第二高价却有着实现简单、容易向广告主解释等诸多操作中的优点,因此在实际的竞价广告系统中是最主流的定价策略。

晒货图片

发布了晒货 8月前

北美CS求职 | Leetcode 2000道题应该怎么刷?

我在平时被同学问到过最多的问题之一就是面对如今有2000多道题目的Leetcode,应该按照一个什么样的顺序,怎么去刷题呢?今天就大家讨论一下刷题究竟应该怎么刷? 在进入刷题方法论的分享之前,我想聊聊三个常见的刷题误区,帮助大家摆正对刷题的观念,这样才能不焦不躁、脚踏实地刷题。 误区一:刷题可以在短时间内攻克 刷题是项系统性的工程,是一个提升你算法能力的过程,所以必须制定一个合理的计划才行。其实任何系统性的学科都是如此,更何况刷题这种CS试金石呢:只有打好基础,后面的学习才能事半功倍。 误区二:只刷高频题目就够了 很多的同学刷题的时候很喜欢刷高频题目,却没有去深入思考为什么高频题目之所以常被考的原因。高频题目之所以常常被考,就是因为考察的知识点很全面,很多高频题往往是由一些基础的低频题目延伸出来的。只刷高频题,却不去了解背后考察的知识点,其实是主次颠倒,这也就是为什么很多的同学会发现自己刷了很多题遇到新题又不会了的情况。 只有深入理解算法的基础知识,并掌握常见的基本套路后,加上系统性的练习计划,才能融会贯通,达到一道算法题到手,就快速想出正确思路的效果。 误区三:会做题就能拿下面试 刷题固然重要,但是不能有会刷题就一定能拿到offer的想法,面试是一个全方位的考察,算法能力,做题的能力固然是一个重要的考察方面,但不是唯一的方向,除了算法能力,你的沟通交流能力,对算法的解释的能力,接收面试官提示,优化算法的能力以及一些其他的软实力,也都是需要去努力提升的。 讲完了常见的一些误区,我们再来说一说究竟这题应该怎么刷: 1. 掌握一门基本的编程语言 如果你的语言能力和表现没有很强的话,我推荐使用Java用来刷题,首先Java语言本身就业市场很大,学这个找工作肯定没坏处,而且语言本身的设计也很优良。将Java作为面试语言,能传递给面试官自己有稳固编程基础的信号。当然如果你的Python基础很好的,用python也没有问题。这两种是面试最常用的语言。 2. 深入理解基础的数据结构 数据结构的掌握是正式刷题前的预备工作,也只有充分理解基础数据结构的原理,才能明白特定数据结构,之所以会在特定题型中常被使用的原因。理解不同的数据结构特性后,也会帮助我们更好地分析时间和空间复杂度。 3. 分类刷题 我们常考的算法类型完全是可以分类的,比如Binary Search,Recursion,DFS,BFS,我们刷题的时候一定要一类一类的刷,千万不要简单地按照easy, medium, hard的顺序来随机刷题,很容易越刷越乱,无法建立成体系的刷题套路。 一类的题目是有很高的相似度的,解题方式和思路上很多时候也是类似的,这样一类一类的题目刷会更容易帮你总结出这一类题目的思考方式和解题方法。当然一类的题目数量也很多,你可以按照频率从高到底去做,完全没有问题。 还有的同学会问刷题是需不需要考虑easy刷多少题,medium多少题这样,我觉得在刷题过程中并不太刻意的去关注这个,就按照frequency一题不落的往下做就行了。

晒货图片

发布了晒货 8月前

Meta/Facebook最新数据分析面经分享

1.SQL聚合/窗口功能 视频通话表 呼叫者|收件人|日期 |call_id |呼叫长度 Q:过去 30 天,呼叫者发起呼叫的前 10 个 2.SQL聚合/窗口功能 用户表 user_id |age_group |国家|日期 | dau_flag 问:昨天在我们这里花费的时间/活跃用户的总和? 3. 产品感 如果过滤器垃圾邮件好友请求。列举出一系列criterion之后,如何验证你的criterion是正确的,最后一个问题是,可以添加什么新 feature来防止垃圾邮件. 4.产品感 筛选出在某天有多少人通过了好友请求,对于某个人overtime他的好友通过率是多少. 5.产品感 news feed 缩小25% 怎么衡量有没有用,然后就是经典的如何解释美国和泰国两个地区metric 表现不一样? 6.SQL 功能  示例行: 日期|search_id |user_id |age_group | search_query -------------------------------------------------------------------- '2020-01-01' |101 |9991 |“<30”|贾斯汀·比伯 “2020-01-01” |102 |9991 |“<30”|“门洛公园 ”2020-01-01“ |103 |5555 |“30-50”|'john'TABLE 2 示例行: 日期 |search_id |result_id |result_type |点击-------------------------------------------------------------------- '2020-01-01' |101 |1001 |“页”|TRUE'2020-01-01 ' |101 |1002 |“事件”|FALSE '2020-01-01' |101 |1003 |“事件”|假 的'2020-01-01' |101 |1004 |“组”|FALSE Q1:在过去 7 天中,10 个最受欢迎的搜索查询是什么? 问题 2:执行返回多类型结果的搜索的用户占多百分比? 7. 贝叶斯/ 统计 考的基础概率,bayes,comment/dau distribution 要画分布然后根据你估计的mean和median,问你x天后p95和p50的mean怎么变(regression to mean) 8. ML模型基础 一个binary classification的case,问了rf和gbdt的区别,它们的优缺点,loss function是什么,用什么求解(gradient descent)然后问了gradient descent的意义是什么 9.SQL聚合/窗口功能 表:user_actions ds (字符串) |actor_id|post_id|关系(字符串)|互动(字符串) '2019-07-01'|431 |7921 |“朋友”|“喜欢 ”2019-07-01'|431 |7921 |“朋友”|'评论' 2019-07-01'|938 |9235 |“页面”|“哇 ”2019-07-01'|209 |7220 |“组”|“爱” 2019-07-01'|384 |7128 |“组”|'分享' 2019-07-01'|492 |0879 |“页面”|'喜欢' 2019-07-01'|887 |3842 |“组”|“哈哈” 表:user_posts ds (STRING) |poster_id|post_id| '2019-07-01'|123 |7921 | '2019-07-01'|123 |3910 | '2019-07-01'|004 |3495 | '2019-07-01'|832 |3294 | '2019-07-01'|283 |4820 | '2019-07-01'|822 |2472 | '2019-07-01'|119 |8204 | Q1:昨天好友帖子上有多少点赞? Q2:如果我是用户123,你们会如何计算我所有帖子的平均点赞数? 产品: 如何在新闻源中定义有意义的互动? 10.SQL聚合/窗口功能  session id, userid, session start time, session end time, date_stamp, app a. 求各app的session之间的平均间隔,就是关闭一个session然后打开另一个session之间的时间 b. 每个user的bounce rate,好像是app1到app2再回到app1 算一个 bounce

晒货图片

发布了晒货 8月前

ML Design 必备知识 | 机器学习的“重灾区”—广告

Facebook早期的一个负责人杰夫在离开FB时留下过一个很著名的话:“为什么我们这一代人中最优秀的头脑,都在思考如何让人们点击广告,这太糟糕了。” 这句话从侧面说明了几件事,第一,对于如今的互联网公司,广告是最核心的业务之一,所以才会需要这么多人在广告业务里。第二,广告比大家想象的要复杂,所以才需要最聪明的头脑来一起解决这个问题。第三,点击率,是广告系统非常核心的一个指标之一。 广告系统不仅对于公司来说重要,对于ML从业人员来说也很重要。我们说最重要的ML(机器学习)应用场景就是搜广推。对于ML面试来说,广告系统相关的ML Design也是一个非常高频的问题。今天我们就来大致聊一聊广告系统。 首先广告分为很多种,比如display ads(展示广告), search ads(搜索广告)。 比如大家用百度Google或者Bing搜索的话,出现在搜索结果上方的就是search ads。 search ads也分很多种,比如text ads(资讯广告), product ads(产品广告)。 广告是一个三方系统,广告主,也就是发布广告的人,用户,也就是看到广告的人,或者广告曝光的对象,以及平台,比如Google比如Bing。 作为平台方,我们需要兼顾这三方的利益,这就让这个问题变得复杂了起来。比如平台方希望能多从广告主那里赚钱,但是用户希望看到更少的广告或者更相关的广告,而广告主希望在预期开销内获得最多的曝光,点击或者转化。这些利益从某种程度说是互相矛盾的,所以该如何设计我们的系统,策略,就变成了一个非常复杂的优化问题。 广告的收费方式也有很多种,比如给用户看一次或者曝光一次广告,平台就向广告主收一次费,又比如用户点击一次,才收一次费,或者我们还可以用户实际购买了产品,平台才收一次费用。 而收多少费用,又是一个非常复杂的商业问题,甚至是数学问题以及机器学习问题。如果大家熟悉百度曾经的竞价广告的新闻的话,还会发现这甚至还可以是一个伦理问题商业道德问题。 那么当用户在搜索栏里输入一个问题后,搜索引擎是怎么决定展示什么广告给用户呢。 是返回和问题最相关的广告?还是平台方能赚钱最多的广告?还是用户最有可能点击的广告? 这又是一个非常复杂的问题。 不同的公司不同的产品,制定的策略都不太一致。 从数以百万千万的广告池里,挑出最终的几个广告,这里经历了层层的策略筛选,层层的预测和模拟。可以说每次你看到一个广告的时候,背后都是大量工程师科学家的心血共同决定了你看到的是这样一条广告。 一般广告系统的流程是: (1)召回:首先我们会做recall,也就是召回。我们通过一些人为定的策略和ML算法预测,从广告库里来选出几千个或者几百个选项。 (2)相关性预测:接着我们会用非常复杂的ML算法,来从这几千个选项中,再筛选出最相关的广告,这一步也叫precision,或者相关性预测。 (3)预估点击率:接着我们会预测每个广告的CTR。也就是click throught rate。也就是用户点击的可能性。 CTR * 广告主的出价,就是展示这个广告的话,平台的收入预期。 我们就可以通过这个预期,决定最终给用户呈现什么广告。 当然就像我之前说的,广告是个很复杂的系统,我们刚才说的这个流程只是一个简化版的流程介绍。实际上的流程会复杂得多很多。 大家可以发现,整个流程里需要大量的预测,比如预测相关性,预测点击率,预测转化率购买率,这也是为什么广告系统,是机器学习最核心的应用领域之一的原因。 以上就是今天的全部内容,如果对这个话题感兴趣的话,欢迎大家留言告诉我们。

晒货图片

发布了晒货 8月前

篱笆教育 | 从修改简历到模拟面试,篱笆老师帮我求职升级打怪

W同学(本文作者):国内985本科,哥伦比亚大学硕士,期望求职data方向 Jenny导师:谷歌数据分析师,加州大学圣地亚哥分校硕士,擅长帮助学生挖掘自我能力并顺利通过工作面试,短时间内快速高效提升面试技巧和语言水平 我之前一直没有确定好求职的方向,在回国和留美之间有一些摇摆不定,所以一个是面试投的比较晚,另一个就是一开始对方向有一些迷茫,我本来想找的是暑期实习,但是当时已经二月份了,我就特别焦虑,然后篱笆教育的教务导师通过领英联系上了我,问我有没有找到实习,我就准备试一试,因为我觉得这种辅导服务可以帮我缩短准备时间,提高效率,所以想最后再挣扎一下,就报名了篱笆教育的求职辅导课程。 最开始的时候不知道一些面试技巧,也不知道怎么介绍自己的经历,就是该怎么推销自己不是很清楚。上了辅导课之后,jenny导师首先帮我修改了一下简历,我之前简历可能就有一些问题,然后就一直拿不到面试,老师帮我改了之后现在拿到面试的机率就大大提高,一个是帮我加了一些技能上的关键词,这样就保证机筛的时候通过的概率比较高,第二个是帮我把经历的描述,语言修改的更加native一点,也更加接近data这个岗位的要求。老师改的真的很细心,和我一起梳理了之前的经历,让我的简历比之前更丰富,同时又很符合data这个岗位的要求,所以也帮助我拿到了不少的面试。除了修改简历,jenny导师也帮我准备了一些可能问到的问题, 比较准确,我现在面试要比以前得心应手很多。 jenny老师人特别好,我记得有一次她身体不舒服,嗓子哑了,本来那一周是没有办法上课的,后来我拿到了一个面试,我就想问一下她怎么准备,然后她就说这个知识点是我们下节课要过的,前一天取消了,要不我们今天就把课上了吧。她上课的时候身体还没有完全好,还在咳嗽,还是帮我上完了课,我还是挺感动的。平常我问老师一些问题,回复的也很及时,我觉得不是那种求职机构的很商务的感觉,就是对学生很负责,然后也真心希望我们能拿到心仪的offer的那种感觉。 篱笆教育整体给我的感觉就是很专业,然后像这种12h的项目的课程安排也很合适,导师的专业度和耐心程度都非常高,jenny导师也给我分享过一个篱笆这边的面经库,我觉得这个也挺好的,总之非常推荐给在求职过程中遇到一些问题的同学们! 如果有想要和我沟通的话,也可以通过下面的方式联系我: 邮箱:fall2022go@yahoo.com

晒货图片

发布了晒货 8月前

Google 谷歌最新数据分析面经分享 | 统计、辛普森悖论

Google 谷歌数据分析最新面试真题: 4. even和odd 位置的各自sum 一个list,算出even 和odd 位置的各自sum 5. 二项分布 生成双项分布的一个matrix,取每一列的和做分母,让每一列的和为1. 6. 最长连续递增子阵列长度 写代码,长度最长的连续递增子数组, 扩展:允许一次violoation, 就是允许array里面有下降的情况,怎么修改 7. 截断正态分布 从 X~N(0,1) 生成 100 个样本,过滤 x>0 并在其上创建直方图。 8. 颜色调查 红绿蓝三色,做一个调查,怎么设计 / 问要设计网络问卷,调查最喜欢的颜色,有哪些需要考虑的. 9. 辛普森悖论 辛普森悖论: 给了一个context 是谷歌 的 一个product,说有一个指标 在每个国家平均值 都随着时间的推移而上升,但是全球平均值 下降了,问为什么 10. AB测试 AB testing, 1000 个人处理, 1000 个人 control, 但是系统坏了, 100个看到 ads 的人 被记录成了没看到, 所以现在系统里显示的是 1100 VS900, 问对结果什么期望 11. 辛普森悖论 问某个指标在10个类别里都下降了但是总体平均却上升了,为什么 12.辛普森悖论 如何构建ab testing,如何收集数据,里面隐藏了一个辛普森的悖论,如何解决. 13. 岗前分析 一个跟时间相关的testing问题,一个功能 launch前后的改变如何测量等. 14. 线性回归线性回归 如果我们有1000个数据点和900个参数,那么模型会发生什么。

晒货图片

发布了晒货 8月前

Google数据分析岗位最新面经-4月24号

Google 谷歌数据分析岗位面试,最新面试题分享: 1. 概率随机问题 Given an Unfair coin, 如何生成fair probability (50%). 假设这个coin生成head概率为p, 可以考虑生成(tail, head)or (head, tail) 因为他们的概率 都是p(1-p),如果得到(tail, tail) 或者(head,head)重新生成一个pair就好了. 2. 参数和方差问题 OLS, 把现有数据duplicate一遍,问参数estimate和方差,Confidence interval有啥变化。 根据公式参数不变,方程相当于scale了下除以sqrt(2),所以变小了. CI也变小了. 3. OLS的assumption OLS的assumption有哪些?linear in the predictors, 变量independent(no collinearity), error terms’ mean为0并且similar variance(no heteroscedasticity)

晒货图片

发布了晒货 9月前

篱笆教育 | 三位导师一起辅导,让我最终收获Offer

学员背景(本文作者):国内211院校,研一,期望求职方向为数据分析 Dana导师,谷歌数据科学家,斯坦福大学硕士&牛津大学经济学本科,曾收获谷歌、FB、Bytedance、Roblox等DS offer, 全方面掌握Tech大厂DS面试的知识点,帮助学生整理独特又精准的答题思路 Jenny导师,谷歌数据分析师,加州大学圣地亚哥分校硕士,帮助学生挖掘自我能力并顺利通过工作面试,短时间内快速高效提升面试技巧和语言水平 川川导师,微软应用科学家,宾夕法尼亚大学数据科学硕士,美国数学建模大赛特等奖,多年教辅经验,曾任职多家著名职业培训机构导师,综合能力强,有扎实的数学、 计算机、机器学习背景 我在国内211院校读研一,正在找一些数据分析的实习,期望求职的方向是短视频的平台,比如说字节、快手这样的公司。 我找到篱笆教育的时候时间已经比较紧了,大概还有一周就要下一次面试了,并且我的导师都在国外,还有时差上的问题,Dana导师为了让我能够尽快的提升能力去面试,帮我联系了另外两位导师川川导师和Jenny导师一起负责我的授课,尽量把我的课往前排,我们也会提前沟通协调好上课的时间,有的时候Dana导师凌晨还在给我上课,还是非常辛苦的。 同时因为每一位老师擅长的方向也不一样,我的授课老师也是根据一些不同的专题帮我对应的去选择的。川川导师对机器学习的面试很有心得,很适合应对一些应试性的回答,因为时间比较紧张,也会挑着一些重点的和我说,Jenny老师也比较负责,比较擅长个人简历面,对回答一些个人简历的问题和SQL的问题比较擅长, Dana导师就是数据科学方面的,关于一些产品题目,非常有经验。 总结来说导师们教的东西会更接近北美公司的真实求职情况,虽然都是用中文授课,但是应用在国内求职的话还需要再消化一下,所以如果是在国内求职的小伙伴建议可以选择篱笆国内的导师。但知识和求职经验都是比较相通的,最终我顺利拿到了快手的数据科学暑期实习。 整体上来说感觉篱笆教育的老师非常专业,在国内外有求职需求的同学可以放心找他们辅导,国内的小伙伴可以找篱笆国内的导师,或者如果想接触国外的求职内容可以和北美的老师们一起上课

晒货图片

发布了晒货 9月前

为什么美国程序员工作比中国程序员工作轻松、加班少?

1、产品迭代速度的差异 同类的app,不论是电商还是视频,国内的app远比国外的复杂,变化更快,功能更多。三天一小改,五天一大改,过个节都要出一套ui,新功能层出不穷,做活动此起彼伏。 硅谷技术强,但是产品迭代速度比国内差太远了。所以,Uber,Airbnb,Linkedin在国内的市场表现都不怎么好。很多技术壁垒不高的产品,比的就是用迭代速度去占领市场。技术壁垒高的产品,不是迭代速度能解决的。中国的IT公司对用户的需求感知的特别快,他们清楚的知道用户需要什么。国内公司对竞争对手的动作也特别敏感(抄的特别快)。你会发现, 阿里,京东比Amazon的功能多多去了。饿了吗,美团也比Ubereats功能多多了。王者荣耀的新东西出的实在太快了。 Google的大佬很多都是工程师出生,重技术,轻产品。而硅谷大部分有特色的新型互联网企业早期都有大量的前Google员工,所以这也是硅谷的一个特色之一。所以中国的IT和硅谷其实是两种IT。迭代速度和发现新的Use Case是中国企业的强项。为了保持这个优势,唯一的方式就是加班了。 2、开发流程的差异 跟国外公司比,国内公司的一个问题就是管理者素质不高,对问题的边界定义不清楚。提需求的人没有成本,无止境地提不靠谱的需求。码农自己开发时也追求快糙猛,提高了系统的风险。 硅谷的大的科技公司在项目实施之前都会写非常详细的文档,描述项目内容,技术难点,流程,甚至测试和未来检测,并且会反复开会讨论这些问题。会议是生产力。讨论得越清楚,返工就越少。比如系统设计,几个组的人一起讨论清楚系统的边界,上下游系统的关系,你的问题边界和需求是很清晰的。这样能有效地降低了风险,极大地提高了软件的质量。 3、社会形态的差异 社会形态的差异肯定是原因之一。美国是一个很讲究Work Life Balance(工作生活平衡)的国家,人权大于公司的利益。所以如果企业如果过分“压榨员工”,是肯定会被劳工部告的。大公司只要有任何风吹草动,都可能惹上负面新闻。美国人看重家庭大于工作,家庭比工作重要。所以那种牺牲自我,保全公司利益的行为是很少会发生的。

晒货图片

发布了晒货 9月前

未来五年,数据科学家(DS)的岗位需求会有哪些变化?

DS这个岗位刚出现时,各个公司对于它的定位和职能都不太统一。经历了几年的发展之后,目前(2021年底),把DS作为职位名称的职能大致已经固定了下来,有做机器学习建模的,有做产品分析或者统计实验设计的,也有全栈的。那么DS的岗位需求会如何变化呢,我们根据职能分两点讲: (1) 对于产品分析以及统计实验类的数据科学家,它的需求应该在未来不会有太大的变化。这是因为这类岗位其实并不是一个新事物,在机器学习(Machine Learning) 和数据科学(Data Science)这类的概念还没开始火之前,它们就已经存在了。各个公司对于分析以及统计实验的需求以前存在,现在以及未来五年也将一直有。数据驱动的决策制定在未来五年将会一直是大部分科技公司决策指定的核心方法,这类职位也将一直有着比较好的岗位需求。 (2)对于机器学习类的DS和应用科学家(Applied Scientist),随着越来越多的应用场景可以有机器学习的一席之地,这类岗位在未来五年的供给也不会出现突然的缩水。但是另一个事实是这类岗位的竞争日益激烈:越来越多的Phd也在往这个方向涌入,同时也有很多科技公司也明确得将机器学习的职能定给了ML Engineer,机器学习类的DS的就业压力就进一步增大了。 最后做个总结: DS这个岗位在大部分科技公司已经有了比较明确的职能。做分析与实验的DS将依然会是DS的主要岗位方向,而ML方向的DS将依旧保持比较大的就业竞争压力。

晒货图片

发布了晒货 9月前

篱笆教育 | 从0到一举拿下Meta DS Offer

学员背景(本文作者):董同学,加利福尼亚大学圣巴巴拉分校(UCSD)统计学PhD,今年暑假毕业,最终获得Meta Research DS offer 导师背景:Dana导师,谷歌数据科学家,斯坦福大学硕士&牛津大学经济学本科,曾收获谷歌、FB、Bytedance、Roblox等DS offer, 全方面掌握Tech大厂DS面试的知识点,帮助学生整理独特又精准的答题思路。 因为我是统计学专业的,所以一开始先确定的是要找DS相关的工作,后面看了篱笆教育发的一些分享视频,知道DS主要分成两类,一类是谷歌这类更偏产品和analytics,另一类就会更偏ML,考虑到我自己学习过程中做的ML项目会更多,自己也比较喜欢,大概就决定要找侧重ML方向的DS岗位,最后拿到了Mata 的 Research Data Scientist offer, 可以说是超出预期的实现了求职目标,我个人还是非常满意的。 一开始结识篱笆教育是通过公益的mock interview,当时刚面过两家公司,但是感觉经验还是比较欠缺,都没能拿到offer,所以报着学习的态度,想着多了解一下真正的面试程序是怎样的,就报名参加了免费的mock interview。第一次做mock interview 的时候就是之后带我的Dana导师面的,当时还是很紧张的,尤其是和product有关的,感觉就特别没底,我看过的很多面经里都提到会考AB testing,所以看到产品问题优先想到的就是可不可以用AB test来做,后来在学习过程中发现其实不是。而且很多答题结构,比如 clarify question 也感觉做的挺差的,特别是mock interview 的时候答完了导师就会立刻点评,我心里没底的这些问题马上就会被一阵见血的指出来,也就是在这个时候我就下定决心一定要把自己的短板补起来。 在第一次mock interview 之后,我就去详细了解了一下Dana导师的背景和面试辅导的服务,发现Dana导师拿到过很多我梦想中公司的offer,也是针对于DS方向的,而且也当了很长时间的面试官,当时就觉得这不碰上出题组了吗,Dana导师的经验对于我来说真的非常有价值,价格也在合理的范围内,于是我就报名了篱笆教育的面试辅导服务,由Dana导师担任我的辅导老师。 后面一段时间就一直在做针对性辅导和模拟面试,每一次侧重的方向都不一样,通过这样不断的打磨自己的短板,我的能力有了全方位的提高。像product 相关的问题,之前面的时候我可能就套着面经去答,或者很紧张答不好,Dana导师帮我详细的梳理了题型和回答的思路,在反复练习之后,我反而听到这个问题就有一种“我就知道你会这么问”的感觉,很自信的就能答出来了。 除了面试这个方面,平常我上完课包括面试完对自己做一个回顾的时候会发现自己有一些问题没有真正的理解,就会在微信再私下问一下Dana导师,自己在看面经看到一些高频题解答不出来的时候也会向Dana导师请教一下,Dana导师也会非常耐心的解答,并且给出自己的一些建议和看法,让我少走了很多弯路。 我想说整个服务过程中,感觉篱笆的老师非常的贴心,也很专业,可以为学生做到个人定制,因为每个人的能力在各方面的强弱可能不一样,也就是优势点和弱势点可能不太一样,我特别明显的弱势点就是和product相关的问题,在这个过程中就一直有针对性的提升,能够切实的感受到每一次面试都要比前一次更好。 求职的时候有老师的陪伴给我带来的感觉特别好,真的就像有一盏明灯,贴心的帮助,也非常照顾我的情绪,结课的时候教务老师问我有没有什么建议可以帮助篱笆教育提升的,我觉得就是完全超出预期,希望能推荐给更多有需要的人。今年7月份我就要onboard了,到时候说不定还能和导师们线下约个饭,对新的职场生活期待满满! 如果有同学想要求职类似方向或者想了解篱笆教育的一些服务情况的话,可以邮件联系我交流,我的邮箱是: howarddla6@gmail.com

晒货图片