发布了笔记 1月前

复盘一下TikTok SDE Coding一轮面经

凌晨面完TikTok的一轮coding，整个人还有点恍惚。他家真的挺看重代码速度和蕞优解，节奏很快，不给你慢慢磨叽的机会。趁热乎把真题整哩出来，给后面面试的小伙伴一点参考。 1. Two Sum Leetcode第一题，但千万别以为能直接暴力解糊弄过去。面试官心里门儿清，你要是只给O(n²)的解法，基本就凉了。标准答案必须是哈希表优化到O(n)，而且最好能写出一遍哈希表的版本，边遍历边存，查到complement直接return。这样写显得你对代码真的熟练，不是背题的。 2. Longest Substring Without Repeating Characters 经典滑动窗口，字符串题的常客。核心思路是用一个哈希表或者数组记录每个字符最近出现的位置。右指针不断往右走，遇到新字符就检查它之前出现过没有。如果出现过并且在当前窗口内，左指针直接跳到重复字符的下一个位置，而不是一步一步往右挪。这样每个字符最多被访问两次，时间复杂度O(n)。 3. Coin Change 典型的DP题，面试官想看你有没有动态规划的思维。关键是定义好dp[i]——凑成金额i所需的最少硬币数。初始化dp[0]=0，其他都设成一个比较大的数。然后状态转移：dp[i] = min(dp[i], dp[i - coin] + 1) for each coin。最后如果dp[amount]还是初始值，就返回-1。逻辑捋清楚了，代码其实不长。 4. Number of Islands 基础的图遍历题，DFS或者BFS都能解。思路很简单：遍历整个grid，每碰到一个'1'，岛屿数加一，然后从这个点开始做DFS/BFS，把整个岛都“淹掉”变成'0'，防止重复算。注意边界条件处理好，别越界。 整体感觉TikTok的coding面试节奏确实快，四道题下来基本没喘息的时间。需要你对经典题型非常熟悉，能快速写出bug-free的蕞优解。建议多刷高频题，把思路练成肌肉记忆。我也把Tiktok SDE coding题整哩下来啦，🙌🏻【Tik】

6

发布了笔记 1月前

3月new grad programs开了好多

3月这波春招是真的来了。 秋招没拿到心仪offer的小伙伴，这可能是最后的机会了，基本上这波走完，26届的坑就填得差不多了。 现在的节奏是这样的：这些岗基本都是rolling basis，哪怕官网挂着ddl，只要headcount够了，随时可能freeze或者直接撤岗。所以别等，看到就冲。 2026暑期实习和new grad大战早就打响了。这个时间点，拼的就是信息差+手速。很多岗没有明确截止日期，先投先面。趁现在竞争还没白热化，简历还能被认真看两眼，赶紧把申请甩出去。后面才能安心刷题、准备面试，甚至安排点旅行计划也不用心慌。 我熬夜梳哩了一份北美还在开放的new grad programs，tech、finance、mid-tier都筛了一遍，不用再自己一个个去官网硬扒了。🙌【new】

4

发布了笔记 1月前

1月entry level真的开了好多

最近🇨🇦校招关岗速度真的好快呀，很多公司刚放出来的Full Time，虽然不叫传统的Graduate Program，但都明确写着“不要求经验”，这简直就是为应届生量身定制的呀！ 更关键的是，现在还在开放或刚补招的Entry Level岗位，不少都处于“真缺人”状态。此时投递既能避开秋招集中竞争期，上岸几率也会更大。 我已经帮大家整哩好了🇨🇦Entry Level lis.t，不用再一个个去官网硬找啦，～ 🙌【EL】

5

发布了笔记 1月前

卡点交了麦肯锡Quantumblack DS OA

有在准备麦肯锡QuantumBlack DS面试的小伙伴嘛，我刚刚走了一遍流程。给大家复盘一下。 从和HR的casual talk开始，接着是OA，然后是包含三场面试的first round，中间有一次和Partner的交流，之后是同样包含三场面试的second round，最后以HR call结束。整个过程节奏紧凑，需要做好准备。 OA包括HackerRank和Quanthub两个部分。HackerRank是120分钟3道coding题，题库比较固定，建议提前熟悉常见题型。Quanthub是30分钟12道multiple-choice题，主要考察ML、统计学和概率论的基础知识。 🎈第一轮的三场面试各有侧重： - 第一场是PEI结合TEI，需要详细介绍一个完整的project，从data collection、processing、modeling 到 delivery，每个步骤都会深入追问why和how，特别是如何向client解释模型。 - 第二场是纯DS Case，我遇到的是关于疫苗有效成分研发的modeling问题。这类问题比较典型，重点在于 model selection及其理由、evaluation metric的选择，以及如何解释feature importance。面试官还提供了两个模型的AUC曲线，要求分析差异的可能原因。 - 第三场再次结合PEI和Case，behavioral questions围绕“解决冲突”展开，问得非常详细。Case是比较典型的 management consulting case，包含一些基础计算。 🎈第二轮： - 第一场询问 “convince others” 的相关经验，随后是一个厨具制造商的marketing strategy case，并探讨了 growth strategy 相关问题。 - 第二场是独立的consulting case，主要基于提供的spreadsheet进行cost-benefit analysis，对比automation与 manual operation，并向CEO提出建议，最后延伸至client development 问题。 - 第三场考察empathy, teamwork和leadership，需准备多个情境的stories。Case则结合了技术与商业，是关于保险公司的fraud detection model。 建议大家准备PEI时，多准备几个不同context的真实故事，细节要经得起追问，注重model interpretability，始终考虑如何让non-technical stakeholder理解。 建议大家提前准备下，OA🙌🏻【M】

5

发布了笔记 1月前

面试Quant前请把这些概率题嚼碎

还有不知道Quant面试怎么准备的小伙伴吗，我梳理了一些量化面试概率题，涵盖了像抛硬币、抽卡片、掷骰子这类常见题目。比如怎么算有偏差的硬币抛出特定次数正面的概率，或者抽牌时某类组合出现的可能性，都有一步一步的解答过程。 讲解方式蛮清晰的，从基本概念开始，慢慢带你理解整个计算步骤，跟着看下来不会觉得吃力。 把这些题目搞懂，能帮你实实在在地提升解题能力，以后去面量化金融这类岗位，也会更有底气一些。 🙌【Qua】

5

发布了笔记 1月前

（顺便refer）Adobe实习体验

刚从Adobe出来，在Adobe Experience Platform（AEP）那个组待了几年，今天和大家唠点真实感受吧。 先说说公司整体。Adobe很多人第一反应就是Photoshop、PDF那些，但其实它现在主要有三大块业务：Creative Cloud、Document Cloud，还有我在的Digital Experience（数字体验这块，基本就是做数字广告相关）。AEP算是我们部门里一个核心平台组，简单讲就是搞用户数据，做个性化推荐和广告的那种。 客观讲，公司层面其实不算差。尤其这两年环境不好，它家也没大规模lay off，身份政策挺稳的，入职就能办绿卡，H-1B万一有问题还有relocate加拿大的选项。待遇算中等偏上吧，new grad硕士包裹差不多20万左右，假期、401k match、食堂都还OK。工作模式是hybrid，比较灵活。 但是......重点来了。我所在的AEP组，完全是另一个世界。用一句话说就是：挺toxic的。这个组当初是内部孵化的startup，现在产品进入成熟期了，但文化完全不像大厂，反而特别卷。 直接上细节吧： - 管理层几乎清一色印度裔，很多人career全在这里，管理方式很old school，喜欢用stack ranking和silent PIP来给人压力。我有次刚push back一个不合理的任务，马上就能感觉到被穿小鞋。 - 整体氛围高度top-down，上面动不动就塞deadline，也不管scope清不清楚，导致大家只能move fast and break things，结果留下一堆坑。on-call轮到我时简直噩梦，基本四周一次，睡不好觉。 - 组里几乎95%都是亚洲人，同事本身人不坏，但很多人一毕业就在这里待了五年以上，没经历过别的公司文化。不少人想走，但又因为太久没面试，技能生疏，卡在那儿很尴尬。 - 其他头疼的点还包括：工作内容很grind，整天改config、写测试；组已经进入maintenance mode，没什么有挑战的新项目；升职很看跟老板的relationship，不完全看技术实力；公司还为了省钱，把好用的工具比如Postman、PagerDuty都换成难用的内部版本，日常开发效率大打折扣。 总之，我个人不太推荐来AEP。哪怕为了办身份，也得想清楚能不能在这种高压环境撑两三年。我们组最近一直在招人，其实是因为attrition不低，而且年底可能又有PIP。如果你真的没有更好的offer非要来，那我建议你：keep刷题，练好系统设计，随时准备跳。我自己已经在看机会了，希望明年能换个环境喘口气。

发布了笔记 1月前

Deloitte随缘refer（长期）

这次就随缘帮。因为我之前帮朋友进 到面试，也因此认识了公司的Recruiter。如果推过去的背景匹配度很高，那么Recruiter会觉得靠谱，后续也更愿意看。反过来，如果短时间内有太多明显不match的申请，可能会被系统或Recruiter注意到。如果差距太大，我可能就不relpy啦。 可以和你纷享一些面试流程、轮次和侧重点，如果想提前找找面试的感觉，或者想练习一下Behavioral Question、沟通表达，也可以陪你做个简单的Mock Interview。对于技术面试，建议找有经验的人陪练，或者集中刷透目标公司的面筋

发布了笔记 1月前

Healthcare DA面试没有你们想的那么简单…

许多小伙伴收到Healthcare Data Analyst的面试通知既兴奋又有点懵：面试到底会问什么？怎么考？该怎么准备？ 说实在的，医疗行业的数据岗面试，不光考你的technical skills，更看重你对这个domain的理解。你得知道数据在业务里是怎么用的、能解决什么问题。所以，做好充分准备是很重要的。 这个行业主要分为： 🔍Payor（保险）：常2考SQL和risk modeling 🔍Provider（医院/诊所）：关注operational efficiency和patient flow优化 🔍Pharma（药厂）：特别重视statistics和survival analysis 🔍Health Tech：侧重product analysis与用户数据应用 你的resume和project experience，一定要和申请的方向匹配。别再只写“analyzed XX dataset”了，要讲清楚你解决了什么business problem、用了什么methodology、带来了什么impact。 一般来说Healthcare DA通常从初级岗位（比如Data Analyst、Healthcare Data Coordinator）开始。积累几年经验后，可以往Senior Analyst、Project Lead或Management方向发展。如果持续深耕，也有机会成长为Data Scientist、Analytics Director，甚至在大型医疗系统或机构中担任领导职务。 我梳理了一下每个方向要掌握的核心技能、常见的题。理清方向，准备起来会踏实很多。🙋【HDA】

11

发布了笔记 1月前

DS面试前请把份Cheatsheet嚼碎

准备Data Science面试，想躲过下面这些问题基本是不可能的：概率统计、回归建模、实验设计、A/B测试、数据预处理、模型评估这些核心内容都得牢牢掌握。对于北美ng来说，如果在准备DS面试，那下面提到的这15份cheatsheet可要好好熟记一下，从机器学习算法、常用模型到Python、Numpy等工具要点都有覆盖，可以说很全面了，新手也能轻松看懂。 💻数据处理工具 覆盖了Pandas、Polars、SQL、PySpark等工具的实战重点。 💻机器学习 总结了多GPU训练策略、模型测试方法、神经网络优化等核心要点。 💻算法与数据基础 包含常见算法的时间复杂度、大语言模型微调技术等知识。 💻数据处理与分析 整理了NumPy常用方法、重要可视化图表类型等。 💻其他关键概念 涉及损失函数、变量类别等必备知识点。 不管你是零基础想入门，还是正在备战DS面试的New Grad，这份cheatsheet都很适合，它更侧重工作场景中的实际应用，内容设计得很友好，属于随用随查的。不管是临时抱佛脚，还是系统性地复盘，这份cheatsheet都能让你更加游刃有余。如果你最近在准备面试，建议先🐎好，考前瞄几眼，心里会踏实很多~ 🙌【DS】

6

发布了笔记 1月前

其实Machine Learning面试真的有技巧

很多小伙伴准备ML面试的时候容易焦虑，其实核心就几点：概念理解透、能举例子、能聊tradeoff、能扯到实际应用。备战ML面试踩过一些坑后，也摸出点门道。今天给大家总结一下，希望能给你点灵感。 Machine Learning面试看着高大上，其实很多问题看似简单，回答起来很容易踩🕳️。比如让你解释bias-variance tradeoff，谁都能扯两句，但能讲清楚“这玩意儿跟模型复杂度什么关系、跟underfitting/overfitting什么关系、实际调参怎么用”，就不多了。 所以面试前一定要把逻辑理顺，把思路搭好。别光背定义，要能讲出insight。 Machine Learning面试常见题有： Q1: Explain the difference between supervised and unsupervised machine learning? 别只说“一个有label一个没有”。要能展开：supervised是预测，有ground truth，分regression和classification；unsupervised是探索，找结构，常见clustering和dimensionality reduction。 Q2: What is meant by ‘Training set’ and ‘Test Set’? 别只说“训练用的和测试用的”。要讲清楚：training set是让模型学的，test set是模拟未来unseen data 来评估泛化能力的。还要提一嘴 validation set 或者 cross-validation，说明你怎么调参、怎么避免overfitting。 Q3: Explain the Bias-Variance Tradeoff. 要讲明白：bias高是模型太简单，underfit，欠拟合；variance高是模型太复杂，overfit，对数据太敏感。tradeoff就是找balance，让total error蕞小。最好画个图在脑子里，或者用手比划一下U型曲线。能扯到regularization、cross-validation怎么帮助控制variance就更好了。 ...... 这些问题，光背答案没用，得练到能自然讲出来、能跟面试官来回聊。面试官想听的不是你背课本，是你真的有思考、能沟通、能落地。 我整哩了一份ML面试常见题和答题思路，从常规问题到刁钻角度都有，帮大家理清逻辑。👇【ML】～

6

发布了笔记 1月前

3月加拿大Women Program它来了！！

还有小姐妹不知道吗？今年3月真的是"她力量"的Big Bang时刻！现在🇨🇦越来越多的公司在推Women Power，很多大厂也开了专属的Women Program，都面向在读生。 对想进dream company的姐妹来说，这真的是一个很nice的起点。 目前开放的项目主要集中在IT、Finance、Accounting、Data、SDE这些方向，形式有summer intern、co-op、graduate program，特别适合25-28届的女生用来攒第一份经验。很多还配了Mentorship，能接触到行业内的女性高管和前辈，混个脸熟积累人脉。 我帮大家汇总了一波目前🇨🇦正在开的Program和Scholarship🙌🏻【WP】

发布了笔记 1月前

🍁CA Accounting 小分队！

啦了个加拿大Accounting的group，主打一个互通有无，促进下information的流通，大家一起减少信息差！平时会update各种新开的校招岗（包括summer intern/fall intern，还有适合NG和junior的），也会纷享面筋、OT/VI和面试Tips📝。欢迎一起～ ！💪

发布了笔记 1月前

原来这就是德勤面试官眼里满分CoverLetter

在北美求职，一份好的cover letter真的能帮你stand out，它就像是给hiring manager的一封personal note，告诉对方你为什么特别适合这个role。 🔑关键就这几个点： 1️⃣别套模板：千篇一律的开头hiring manager一眼就能看出来。尽量从company culture、近期项目或职位需求切入，显得你真正做过功课。 2️⃣讲好故事：别光罗列经历，用1-2个具体例子说明你如何解决问题、带来impact，最好能量化结果。记住：不是你想得到什么，而是你能带来什么。 3️⃣简洁有力：保持一页以内，结构清晰，语言像正常聊天一样自然。如果不知道对方名字，用“Dear Hiring Team”也很稳妥。 🔑基础结构可以这样搭： 📌开头：简短说明你是谁+申请什么职位 📌主体：选2-3段最相关的经历，紧扣岗位需求展开 📌结尾：礼貌表达期待进一步沟通，留下联系方式 我整哩了一套cover letter和resume模板，包含不同行业的例句和排版示例，👇【CL】。

6

发布了笔记 1月前

A/B Testing并不难, 只需要刷这31页

说到准备Data面试，很多new grad其实在AB Testing这一关容易挂，说到底还是没抓住核心，这东西看着熟，但不扎实真的不行。 简单来讲，A/B test就是让两组用户分别体验不同版本，看哪个效果更好。比如说同一个网页按钮，一个用蓝色，一个用红色，测试哪种颜色能带来更多点击。这个方法在优化用户体验、提升产品效果、推动业务增长上都特别关键。所以A/B Testing说白了就是一种对比实验。把用户随机分到A组（现有版本）和B组（新版本），然后比较两组的用户行为，找出更好的方案。尤其是在不确定哪个策略更有效的时候，用它来做决策特别合适。 我总结了几点许多小伙伴容易在这翻车的原因： 1. 核心概念理解不透 比如都知道statistical significance是判断结果是不是偶然的，但具体p-value怎么算、怎么根据它做决策，很多人并不清楚。 2. 缺少业务场景的应用经验 面试常问：“如果在实际业务里，你会怎么设计这个实验？”要是没真正做过，或者不知道针对不同业务目标该选什么 metrics，回答就容易显得空。比如做电商实验，到底该看conversion rate还是session duration？这都得结合业务目标来定。 3. 复杂情况应对不来 实际工作里经常碰到multiple tests同时跑，或者是在移动端做实验。如果被问到“怎么避免测试之间互相干扰？”“在 APP 里做 A/B test 要特别注意什么？”，没系统准备的话，容易答得泛泛而谈，让面试官觉得你实战经验不够。 如果你想系统补一下这一块，可以参考这些A/B Testing Guide🙌【AB】

6

发布了笔记 1月前

1月熬夜都要投完的women program

各位小姐妹们，今年1月，加拿大面向女生的Women Program集中开了好多，可以说是大爆发！而且大部分都不要求工作经验。 为了帮大家节省时间，我汇总了目前🇨🇦那些高含金量Program和Scholarship。这些项目基本都对经验要求友好，建议大家1月份就把它们都tou一遍！ 这些机会主要集中在IT、Finance、Accounting、Data、SDE这些方向，有Intern、Summer Intern，也有针对毕业生的Graduate Program，特别适合25-28届的女生用来积累宝贵的第一份经验。 因为申请者限定为在读女生，所以竞争池子相对小一些，参加这些项目，不仅能快速提升技能、攒项目经验，很多还配有Mentorship，能让你接触到行业内的优秀女性高管和前辈，拓展人脉。 🙌🏻【WP】

发布了笔记 1月前

🇨🇦BMO DS面试前请把些知识嚼碎

说实话，面完BMO的感受就是，他们真的不只看你会不会写码、懂不懂模型，更在意你有没有business sense，懂不懂银行那些。 面试官会各种深挖你对ML模型的理解，比如突然来一句“逻辑回归和线性回归到底啥区别？给我讲明白”，或者扔个fraud detection的场景问你“Precision和Recall你觉得哪个更重要？为啥？”所以光背定义没用，得真理解。 SQL和Python的数据处理能力也是会考的。最后还会给你一个case，看你到底能不能把数据用到真实的银行业务场景里解决问题，不是那种背个框架就能糊弄过去的题。 整体感觉面试很专业，挺考验人的，不是刷两天题就能过的。我把面筋和每道题的回答都整哩出来了，大家可以瞅瞅。🙌🏻【BMO】

10

发布了笔记 1月前

加拿大26NG找工Group

在加拿大一个人找工真的太累了，懂的都懂😭 所以啦了个26NG的找工group，想一起抱团取暖！ 会定期po新开的校招岗，包括Summer Intern、Fall Intern，还有适合NG和Junior的full-time。 DA、DS、SDE、UIUX、Marketing…… 方向基本都覆盖，地点也主要focus加拿大：Toronto、Vancouver、Montreal、Calgary、Ottawa……都🈶️ 平时还会丢一些面筋、OT、面试tips之类的，大家也会刷题打卡、互相监督进度、聊聊找工心情。 独行快，众行远，希望这个群能让找工路上少一点焦虑，多一点陪伴，欢迎来一起努力！🙌

发布了笔记 1月前

加拿大DevOps面试就该这么准备

想在加拿大做DevOps的小伙伴们，可别按SDE的老套路刷题啦！这边的面试不太看你LeetCode能刷多少，更多是看手真不真硬：CI/CD（Jenkins/GitHub Actions必会）、Docker、K8s（Kubernetes是标配）、Terraform、AWS这些工具链，必须玩得转。面试官八成会抓着项目问细节，比如怎么搭pipeline、怎么设计zero-downtime deployment、故障怎么排……所以只懂理论可不行，手里得有实实在在拿得出手的项目经历。我整哩了DevOps面试的常见问题和回答，不知道怎么准备的小伙伴可以多看几遍🙌🏻【Dev】

11

发布了笔记 1月前

2月开了这么多entry level

最近加拿大校招的节奏真的很快！很多公司新放出来的full-time岗位，虽然没有挂上传统的Graduate Program，但都明确写了 “no prior experience required” ，这其实就是专门为new grads开的。 更重要的是，现在还在开放或者刚开放补招的entry-level岗位，竞争明显小很多。如果能抓住眼下这个时间点投.递，正好可以避开秋招高峰期，拿到offer的几率自然不一样！ 我连夜整哩了一份li.st，里面既有big name，也有不少中小企业。建议大家把握住这个timing，尽早行动～🙌🏻【CA】

发布了笔记 1月前

（顺便ref～）上岸Amazon心得

真开心和大家说：我正式加入Amazon团队啦！🎉 自己一路走来，太知道找工作的时候有人“推一把”一下有多关键。所以我来交个朋友，顺便挣点bonus，不同office和role都可以😄 下面纷享一下我的面试流程和一点心得： 1️⃣ Online Assessment（OA） OA 包含 Coding 和 Work Style Assessment 两部分，是连在一起的。做完 Coding 会自动跳转到 Work Style 部分——这里很多人会忽略，但其实要认真写哦！ 2️⃣ Virtual Onsite（VO） 流程：自我介绍 → BQ → Coding → 反向 BQ 🌟BQ 部分（30分钟） 面试官是印度小哥，问了两个经典问题： 1. Tight deadline 下如何做决定 2. 如何帮助同事 Follow-up 特别多，每个细节都会深挖，比如让我解释故事里用到的技术在日常中怎么应用。 他后来发现我有点跟不上他的口音，第二个问题直接打在了 Chime 聊天框里 😂 建议大家用 STAR 方法好好准备，故事要经得起追问。 🌟Coding 部分（20分钟讲思路 + 10分钟写代码） 题目是 LeetCode 325 的变体，条件改成了 sum = 0。 我先讲了思路，面试官问了搜索和插入的时间复杂度。 时间有点紧，还剩10分钟时我提醒他，他才让我开始写码，最后顺利写完。 🌟反向 BQ 我问了：如果我被录用，您期望我首先做什么？这是组招还是普通社招？ 一些Tips： 1. Amazon 的 LeetCode 不算难，可以刷最近30天的 Tag 题，但 BQ 一定要好好准备。 2. 从 OA 到 VO 有时候很玄学，OA 全对也可能没 VO。可以托朋友帮忙查进度，但不保证有用。 3. 建议 OA 前就看看 Leadership Principles（14条），对 Work Style Assessment 也有帮助。 4. VO 时间要自己把握，代码尽量写完。 5. 最近 VO 考 OOD 的不少，可以参考 GitHub 上的高频题库（比如 ycwkatie/OOD-Object-Oriented-Design）。

发布了笔记 1月前

说说美国SWE的一天日常（可refer）

很多小伙伴很好奇在美国做software engineer的一天是啥样？今天直接讲讲日常，顺便纷享些真实感想。 一个SWE的一天，基本就是在几种模式间切换： 模式一：sync模式（9:00 - 10:00 AM） 早上先daily stand-up，对齐一下信息。重点是讲清楚昨天做了啥、今天要干啥，以及有没有被block。stand-up的意义就是快速清障，让团队保持flow。之后扫一遍Slack、邮件、GitHub review，排个优先级。 模式二：maker mode（10:00 - 12:00 & 2:00 - 5:00） 真正干活的时间。写code、debug、重构、优化。有时候一个问题能卡一下午，但也有把接口响应从500ms降到50ms的那种爽感。 模式三：collab模式（穿插全天） 最日常的是code review，同事会一行行看你的code提comment，虽然“折磨”但涨经验很快。还有各种会：sprint planning、design review、1-on-1。不是不爱开会，是不爱没意义的会。 模式四：on-call模式 系统上线后team轮值on-call，一周时间你是first responder。半夜手机响了也得爬起来修bug，这周睡眠质量基本随缘。 工程师的日常工具库： - IDE/编辑器：写码主战场 - Git：保命工具 - Terminal：命令行最快 - Jira/Asana：track任务进度 - Slack/Teams：team中枢 - AWS/GCP/Azure：现在大部分app都在云上 在美国当SWE到底是啥体验？ 好的方面：有掌控感，大多数问题只要花时间总能找到解法。写的code最后变成产品被几百万人用，这种感觉挺真实。技术迭代快，脑子一直被刺激，不会无聊。 挑战也不小：系统复杂度高，一个小的改动可能引发连锁反应。还有communication，越senior越要沟通，clarify需求、讲design、说服别人，code写的是“what”，communication解决的是“why”和“how”。 总的来说，这是一份回报和挑战都很真实的工作。需要逻辑，也需要耐心。要能一个人debug一下午，也要能跟PM、TL扯清楚需求。不是轻松的路，但如果你喜欢创造东西、享受解决问题，那它确实值得。 关于re fer我会比较随缘，background gap比较大的话我可能就不一一repl y了，大家理解～我也可以纷享些面试流程和准备方向。想提前mock behavioral或者练练表达，我也可以抽时间陪练。技术面试建议找更有经验的人带，或者focus刷透目标公司的面筋。

发布了笔记 1月前

DS面试Statistic再也不用汗流浃背了

说实话，统计这关在DS面试里基本是绕不开的。随便翻翻，明确写着“统计学基础扎实”的岗位，少说也占一半以上，不是optional，是must-have。 但别慌，我面下来的感觉是：stats题其实来来回回就那些。面试官也不是故意刁难你，大概率就是从常考里挑几道，深度一般，不考推导，重点是你能不能讲清楚“为什么这么做”而不是“怎么算”。 🔍被问得最多的基本就这几个方向： - 概率&统计推断 - 回归模型、实验设计、A/B test - 数据清洗、预处理 - 模型评估与选择 其实你不用面面俱到。如果时间紧，priority 1绝对是hypothesis testing，P值怎么解释、Type I/II error什么区别、confidence interval怎么用。这是DS面试的常见考点，也是最容易暴露基本功的地方。 大家可以面试前把P-value、CLT、Confidence Interval、Type I & II Error这几个词练到肌肉记忆。万一碰到某个组刚好有个爱深挖的面试官，问了个偏门概念比如Bayesian prior或者power analysis，答不上来其实也正常；但要是连P-value都讲得磕磕巴巴，那印象分就直接掉了。 最后我也整哩了我面之前刷过的统计题，都是比较常考的，建议大家面试前过一遍👇 📌What’s the difference between a population and a sample? 📌Descriptive vs inferential statistics — what’s the distinction? 📌Quantitative vs qualitative data — when do you use which? 📌What does standard deviation actually tell you? 📌Can you give an example where median is more informative than mean? ... 🙌🏻【ST】

6

发布了笔记 1月前

Robinhood DS面完CPU直接干烧了…

刚经历了Robinhood加拿大的DS面试，整体体验很棒，最后也顺利拿到了offer！想和大家纷享下面试的一些小心得💡 他家DS面试是technical深度和product sense并重的那种。除了基础的ML和stats要扎实，SQL和Python也得写得流畅。面试官很看重你对fintech行业的理解，平时可以多关注行业动态，面试时提到相关趋势会很加分✨ 准备时一定要把你的项目经历理清楚，尤其是如何量化你的impact，用了什么metric、带来了多少提升，这些细节都会被问到。还有，展现你对Robinhood产品的真实热情也很重要，聊聊你为什么想在这里做DS、你能带来什么，会让面试官更记得住你。 整体氛围其实挺正向的，问题都很务实，面试官也会引导你思考。如果最近有在准备北美尤其是加拿大的DS岗位，不妨把Robinhood放在list里试试看！ Good luck with your interview！希望你也能顺利上岸🍀 🙌【rob】

11

发布了笔记 1月前

2026 暑期实习它来了！！！

2026暑期实习大战已经打响！现在这个时间点，拼的就是信息差和手速💨很多岗都是rolling basis，没有明确截止日期。 我这边梳理了一份北美还在开放的2026 Summer Intern lis.t，都帮你筛好了，不用再一个个去官网硬找。🙌🏻【26】

发布了笔记 1月前

NG面试Data Science无非就这50页纸

准备Data Science面试时，你是不是也经历过这种状态❓明明认真复习了很多知识点，可面试官一深入追问细节，大脑突然就blank了…讲到一半逻辑突然卡住，没办法把思路系统、流畅地表达出来，或者更常见的是，根本不知道从哪开始准备，感觉什么都该看，却越看越乱。 其实很多小伙伴不是不会，而是没有摸清面试的出题逻辑和回答框架。面试官问的从来不只是“What”，更是“Why”和“How”。 为了帮大家更有方向地准备，我整哩了一份Data Science面试常见的100题，不仅涵盖了常见问题与参考回答，而且拆解了每个问题背后的考察点与回答逻辑，让你真正理解面试官想问什么、想听到什么。这样即使面试时题目不完全一样，你也能灵活应对，避免跑偏或答非所问。 🍀What is the difference between a python list and a tuple? 🍀What are python sets? Explain some of the properties of sets. 🍀What is the difference between split and join? 🍀Explain the logical operations in python. ....... 比如Python基础部分，就不只是背“list和tuple的区别”，而是要讲出：Mutability对性能、使用场景的影响，在数据工程和模型部署中该怎么选择，甚至引申到memory和hashable相关的话题… 🙌🏻【DS】

6

发布了笔记 1月前

在Data Analyst面里感受到了智力的参差

有没有正在准备数据分析岗的面试的小伙伴呀？ 数据分析师的核心日常就是Data Collection → Data Cleaning → Data Analysis，最后产出有业务价值的结论和建议。面试里最常考的也是这类实战题，比如帮业务团队做异动分析、AB实验分析等等。 准备的时候建议多看一些高频问题，结合自己的经历先想好故事框架，然后多练几遍怎么讲清楚。 🔍 DA 面试的几个重点模块： ⭐ Behavioral Questions 面试官会问你职业规划、团队协作这类问题。提前用 STAR 法则 准备几个完整故事，回答才不容易跑偏～ ⭐ 技术能力 - SQL：重中之重！尤其要熟窗口函数、Join、子查询这些核心操作，基本 95% 的题目都跑不出这个范围。 - Python：重点在 Numpy 和 Pandas，现场让你处理个数据集是常有的事。 ⭐ Case Study 这类问题比较开放，关键是展现你的思考逻辑和分析框架。遇到信息不全的情况，一定要主动提问，面试官其实也想看你解决问题的思路。 ⭐ Resume Deep Dive 简历里写过的经历一定会被细问！尤其是跟岗位相关的项目或实习，面试官会追问你：用了什么方法？为什么这么做？最后结果如何？建议提前把每个项目的细节都捋清楚。 💡 举几个常见考题感受一下： - What is data cleansing and what are the best ways to practice it? - What criteria do you use to evaluate whether a data model is good or not? - Can you explain what a waterfall chart is and when to use it? - How would you create a Pivot Table from multiple tables? ...... 如果这些问题你还不确定怎么答好，建议提前做做功课。我整理了一份DA面试常见的题 ，里面覆盖了各类常考题目和回答思路，适合大家临考前查缺补漏，🙌【DA】

7

发布了笔记 1月前

Toronto做quant的松弛感日常（顺便refer

转眼间，在多伦多做Quant也快两年了。从刚开始的紧张摸索到现在逐渐从容，这段经历让我对FinTech和量化这一行有了更深的理解。今天就想随意聊聊日常workflow和一些成长心得，给感兴趣的朋友一点参考。 我一般早上9点多到office，第一件事永远是手冲一杯black coffee，算是开启一天的小仪式。然后check一下昨晚跑的research pipeline，打开 Jupyter 开始新一轮的模型迭代。去年我们组主要在优化volatility forecasting model，从Python做数据清洗、feature engineering到model training，整个流程跟下来，对quant research有了更立体的认识。有时候也会用R做残差诊断，这种从建模到验证一步步落地的感觉，比在学校赶deadline做project实在多了。 我们team主要做quant research和model optimization，节奏比较稳，没有trader那种需要实时盯盘的压力。有一次我负责的mean reversion strategy在backtest里一直overfitting，怎么调都提升不了OOS performance。我正想着要不要熬夜调参，TL直接说：“Sometimes stepping back is the best way forward. 状态好多明天再看。”这种理性又包容的文化，真的让我学会在坚持和放手之间找平衡。 说到Quant的入门门槛，我觉得可以分成这几个维度： - Tech Skills：Python是必须的，pandas、numpy、sklearn这些库要熟；SQL也很重要，毕竟数据都得自己 query；数学基础像time series、stochastic processes、optimization都是日常用的。 - Analytical Thinking：能不能把复杂的市场问题拆成可量化的模型框架，并且在backtesting里持续验证和迭代。 - Industry Insight：对不同asset classes的理解，以及把市场直觉融入到模型设计里。 我当时的面试挺顺利的，投完简历第二天就收到HR screening，整个流程更像深度的技术对话，没什么脑筋急转弯，主要是聊我做过的course project和模型逻辑，整体氛围更像是在确认能不能一起合作。 从去年开始，我申请了hybrid work，每周三和周五WFH。这种模式反而提升了我的效率，在家可以更专注地做 model development，在办公室则更适合team collaboration 和 knowledge sharing。公司业务也比较稳定，不用太担心像一些startup那样突然有org changes。 这两年下来，我算是从一个量化新人慢慢成长为能独立负责research project 的分析师。这条路challenge不少，但收获更多。我们组偶尔还有 Quant Research、Data、Risk 相关的 op ening，match的话可以帮re.fer。

发布了笔记 1月前

26NG加拿大找工小分队~

有没有加拿大找工的小伙伴呀！ 真的，找工这条路自己走太容易emo了，所以我和几个朋友啦了个找工group～ 初衷其实特别简单，一开始只是几个小伙伴互相打气，结果发现有人一起并肩前行，动力真的不一样！所以我们就想让更多同路的小伙伴能一起互通有无，减少信息差，一起成长一起进步。 现在已经有接近200个小伙伴啦！大家来自多伦多、温哥华、蒙特利尔、渥太华、滑铁卢……基本上🇨🇦各个地区都有。平时一起刷题、纷享面试经验、互相监督进度，这种并肩前行的感觉真的很好。 我们每周会定期po新开的entry-level岗（summer intern/fall intern，还有适合ng和junior的full-time），也会有面筋、OA、面试tips，偶尔组织mock interview练练手找感觉。 咱们一起抱团取暖，互相打气！！！

发布了笔记 1月前

LinkedIn SDE Sys&Infras Intern面筋

刚刚结束了Linkedin SDE系统与基础设施实习岗的面试，来纷享下热乎的体验！面试是背靠背两轮，节奏挺紧凑的。 第一轮是45分钟的BQ，问得比较常规，主要是conflict、challenge、difficulty还有fail to handle这些经典题，准备好自己的STAR故事，讲清楚逻辑和结果就好。 第二轮就有点意思了，是Coding with AI。题目是一个Meeting Scheduler的OOD变形版，核心是要写一个function支持add booking，并且能根据输入的timeslot（开始时间和持续时间）找出这个时间段最早可以开始的时间。 思路主要是维护已有的booking区间，然后实现查找最早可用时间。Follow-up问了两个：一是能不能O(N)实现，其实可以通过在add booking时用binary search自动排序，这样查找可以做到O(log N)，也可以提segment tree的思路；二是写一个thread-safe版本，因为这种scheduler一般是write-heavy，用悲观锁就行就可以。 说到AI工具，这次用的是coderpad.ai，可以选GPT-5.1、Gemini 3 Pro这些模型。不过我觉得完全扔给AI写就没意思了，所以是先自己理清思路，再让AI帮忙生成代码，这样既快又能保持思路清晰。 整体感觉面试官很看重逻辑表达和即时反应，尤其系统设计和并发处理的基础。如果平时有练习OOD和并发，这一轮应该能应对得比较从容。同时我自己也整哩了一些SDE方向的常考面试题，🙌🏻【SDE】

发布了笔记 1月前

加拿大Biostat小分队！

当初只是和几个朋友啦了个group，想着一起互相打气、说说找工作的心情。后来一想，人多力量大嘛，不如干脆扩大一点，让大家能彼此照应、共同进步。 没想到就这样，小伙伴越来越多，现在已经有将近200人了！大家来自温哥华、蒙特利尔、多伦多、卡尔加里、渥太华……遍布各个城市。平时一起刷题、互相督促，氛围真的特别好。 群里每周都会update job lis.t（intern和fulltime），主要是biostat方向的，很多都对NG比较友好。我们也会纷享OT、面筋和各种实用的找工tips。 如果你也在找工路上，欢迎。一起前进，真的很温暖💖

发布了笔记 1月前

2月底熬夜也要投完的women program

姐妹们！2月加拿大真的开了好多无经验要求的women program！线上线下都有，全部向在读女生开放！ 而且最近明显感觉到，北美企业对女性职场力量越来越重视了。很多科技大厂都在推“women empowerment”，还专门开设了仅限女生申请的program，我给大家整哩了一批目前加拿大女生可以申请的高含金量program和scholarship，基本都是无经验门槛，建议大家2月底统统投一遍！ 现在真的是咱们女生进大厂的黄金窗口期，因为是仅限在读女生申请，竞争pool相对小很多，越早投机会越大。不仅能攒经验、学技能，还能直接接触到senior level的女性高管和前辈，人脉积累也是妥妥的。 覆盖方向也很全：IT、Finance、Accounting、Data、SDE、UIUX……都有！25–28届的姐妹都可以冲！ 🙌🏻【wp】

发布了笔记 1月前

CA 2月women program全开了！

不允许还有姐妹不知道！现在🇨🇦各行业的company都在推 动Women Power，很多名企都专门为在读女生开设了专属的Women Program，只限在校女生申请！ 目前不少企业的项目正在开放申请中，这些program不仅帮你积累宝贵的实习或工作经验，系统提升professional skills，还能让你接触到优秀的女性高管，拓展人脉圈。很多项目申 请门槛并不高，趁着刚开放申 请季，所有女生都可以抓紧冲一波！ 我已经帮大家整哩好了🇨🇦的Women Program项目list（Consulting、Finance、IT、Accounting、Marketing等）。Girls help girls！🙌【WM】

发布了笔记 1月前

BCG Data Scientist ref er

这次我得老实说，可能得稍微“挑”一下🤏主要是因为之前推过几个朋友，也借着这个机会和BCG的几位Recruiter搭上了线。如果推的人背 景够match，Recruiter会觉得我眼光还行，以后他们也愿意多看两眼，但反过来，如果短时间内推太多背 景不太合适的，可能会影响后续推荐的credibility，懂的都懂😢所以如果你看完觉得自己和DS岗匹配度有点悬，我可能就没法一一repl y啦，先提前说声抱歉🙏 但是！！！除此之外的事我也很乐意，像BCG DS面试流程、每轮考察什么、侧重点我都可以知无不言，想提前找找面试感觉、练Behavioral Question、mock沟通表达，随时我陪你练！技术向的部分比如case study、product sense、估算题这些，建议多刷刷面筋或者找有经验的人带一带，准备起来方向更明确～

发布了笔记 1月前

最后救一下去面Airbnb SDE的人

刚面完Airbnb SDE，趁热乎来盘一下，希望给各位正在准备类似面试的new grad一点参考。 Serialize/Deserialize用preorder + “#”，递归够用；Meeting Rooms II就sort+min-heap，greedy讲清楚就行；Text Justification 纯考细心，最后一行 left justify；Word Ladder双向BFS加分，邻居预处理或者26字母暴力；Palindromic Substrings 中心扩散 O(n²)；Course Schedule拓扑排序Kahn’s algorithm好debug。URL shortener就 base62+sharding+cache，加分项是click tracking；Chat要WebSocket+message queue，难点在message ordering；Airbnb search用geohash+倒排索引，必坑real-time availability。 Behavioral别背官网，core values我讲Be a Host；difficult teammate直接STAR，拖review就pair；why Airbnb别说爱旅行，我讲host带逛market；failure选真实的，设计太复杂被砍，学到先问MVP；disagree with managerrespect+data，老板坚持就commit。项目挑impact能量化的，我重构search filter latency降40%；code quality不止写test，design doc+PR+linter都得有；新tech上手快，React周末学周三发PR；debug复杂问题靠系统化：复现、二分、log、翻commit history，race condition靠conditional breakpoint。Belong Anywhere看细节：pronouns、避开宗教节日；contribute就写accessible code，screen reader和低网速都能用。把mission翻译成action，面试官一看你就不是背书。 在准备类似面试的new grad可以看看我梳理的这些Airbnb SDE面筋和面试常见问题～🙌🏻【Air】

7

发布了笔记 1月前

Amaozn随缘refe r

借这个机会，和大家简单聊聊我这边的情况哈。我现在在Amazon。只要你还算match，我会尽量，不嫌弃我level不够高就行。 顺便说一句，亚麻这边的氛围整体还是比较友好的。虽然面试流程有标准，但准备充分的话上岸概率不小。亚麻的Leadership Principles是必过的关，BQ准备得扎不扎实直接决定你能不能拿到offer。 面试准备的话，DS/DA建议多练SQL和case study，统计和product sense也重要；SDE就死磕Leetcode，medium是标配。不管哪个方向，BQ都得按STAR好好准备，每个LP备两三个故事。 即使你觉得和当前方向不完全匹配，但只要背 景整体decent，我也很乐意给些建议，之后有新的机会再同 步给你～

发布了笔记 1月前

一个笨但能过北美投行面试的方法😎

最近好多同学问我投行面试到底怎么准备才能不凉？眼看着2026年春招季越来越近，感觉大家都挺蕉虑的。其实我发现很多人不是能力不行，而是压根不知道面试官想听什么，一到现场就开始freestyle，结果嘛…你懂的 现在的投行圈，不管是八大行还是精品投行，对NG的要求真的越来越高。熬夜是常态，凌晨三点被call也是日常，所以面试官只想确认一件事：到底能不能抗住？ 从technical说起吧。会计那块最经典的就是三张表怎么联动，比如depreciation变了10块钱，你脑子里得立刻把三张表串起来。valuation不只是会背DCF或者Comps，得讲清楚为什么precedent transaction往往估值高，control premium这个点你get到了吗？还有WACC里的CAPM，beta怎么算，都得心里有数。 M&A和LBO就更考验deal sense了。面试官可能会让你现场拉个paper LBO，算算IRR能不能到20%+。你得知道回报是咋来的，是EBITDA涨了？估值倍数撑起来了？还是债还得好？光会说公式是不够的，得有insight。 另外这两年market awareness真的很重要。比如Fed加息怎么影响LBO的融资成本？IPO市场最近有没有回暖？你得有点自己的判断，不能只会背新闻。 Stock pitch基本是必准备的，别随便挑个大路货，选个有明确catalyst的，最好连hedge思路都想好。behavioral也别敷衍，用STAR把自己的故事讲清楚，重点是ownership和handle pressure的能力。 其实说到底，面试就是看你这个人靠不靠谱，逻辑能不能打，聊天的节奏能不能跟得上。多练多总结，慢慢就有感觉了。 我自己当年也是啃了一堆面筋慢慢磨出来的。最近整哩了一份2026年投行400问，从General Questions到Industry Groups全都有，TMT、FIG、Healthcare这些也都单独拎出来了。🙌🏻【400】

5

发布了笔记 1月前

Uber APM面试前至少要到这个水平

有没有正在准备Uber APM面试的小伙伴！这个岗对新人真的算friendly，不会故意刁难，重点看的是你的product sense和execution，只要把核心题练透，通过率真的不低。 整个面试流程很清晰，也比较全面，所以准备时逻辑一定要顺、表达要干净，面试官才能快速抓到你的亮点。 🔹大致面试环节 - HR Screen主要聊动机：Why Uber？Why APM？ 再简单对一对背景匹配度。 - Hiring Manager面会疯狂深挖你的项目细节，还会考user insight，比如怎么优化司机端、乘客端的体验这类真实问题。 - Product Case面高频就是产品设计题+data-driven决策，看你会不会从0到1想功能、用数据支撑判断。 - Behavioral面经典BQ环节，比如团队合作、处理矛盾、压力场景，主要看culture fit。 🔹准备重点 - 先把Uber整条业务线摸熟：出行、外卖、货运等，多想几个真实场景的痛点。 - 练熟一套product case框架：用户→需求→方案→落地→数据迭代。 - 所有项目都用STAR法则 梳理清楚，突出你在产品里的角色和结果。 🔹 常考题目 Which of the services has been impacted (cabs, bikes or autos) ? Have we changed the definition of metric on how we calculate? Have we started charging more for a ride? Are customer cancelling after the ride is booked or before it is booked? ... 正在准备Uber APM面试的朋友，这几套题真的可以提前刷一刷，思路顺了面试会稳很多～🙌【Uber】

发布了笔记 1月前

聊聊在美国当MLE一天的日常（顺便refer

好多朋友问我在美国做MLE到底是啥体验，今天摸鱼写一篇，把typical day、技术栈、还有感受都掏出来聊聊。 我的节奏基本跟着项目和on-call走，但大概可以拆成这样：早上到公司第一件事不是写代码，是看Dashboard。我们用的Grafana + Datadog，先扫一遍所有线上模型的关键指标，系统层面得盯prediction latency有没有飙，我们某个推荐模型的P99要求是100ms以内，干到200ms那就是P0事故；模型层面得看prediction distribution稳不稳。 10点左右如果一切正常，就开始干Code Review。我们组任何代码合并都得至少俩人点头。11点daily stand-up，每人快速过一遍昨天干了啥、今天打算干啥、有没有blocker，15分钟搞定，需要深聊的会后再拉小会。 下午是我的deep work时间，戴降噪耳机埋头搞项目。先去Data Lake里扒数据，用SQL或Spark写query探一下原始log长啥样、数据质量咋样、有没有missing value。然后开始写特征处理pipeline，用Python + PySpark把用户行为序列转成定长向量。 特征搞定就开始训模型。我们会有个baseline，得证明新模型离线指标有明显提升。用PyTorch提交training job到Kubernetes集群，大模型可能得好几个GPU跑十几个小时。所有实验用MLflow或W&B跟踪，不然几周后你根本记不清那个神级模型是咋训出来的。训完看报告，这些分析能告诉下一步该往哪使劲。 5点左右开始看A/B测试结果。跟DS一起撸实验数据，算p-value，看离线指标的提升有没有转化成点击率、转化率、停留时长的上涨。很多时候离线看着很美的模型，上线一测啥也不是，甚至反向优化。这时候就得硬着头皮分析，虽然虐，但也正是这行的魅力所在。 6点以后没啥急事的话，会花点时间读paper。刷刷arXiv，看看NeurIPS、ICML上新出的架构。 想当MLE，工具链基本是SWE+DS的合体：Python是命，NumPy、Pandas、Scikit-learn得玩溜；深度学习框架PyTorch现在是主流，但很多老项目还在用TensorFlow，最好都懂点；Docker + K8s必须会，打包模型、写deployment.yaml都是日常；云平台AWS/GCP/Azure至少熟一个，S3、EC2、SageMaker这些经常用；Spark处理大数据，Airflow或Kubeflow串pipeline，MLflow或W&B管实验。

发布了笔记 1月前

Roche：提醒那些要来面DA但没准备的NG

在罗氏做数据分析，说实话，光懂统计可不够。现在做药，拼的是谁能从那些不完美的真实数据里，找到真正对患者有用的洞察。你的角色更像是帮创新药更顺利走到患者身边的关键一环。 能不能进医保，往往比药效更重要。就算效果再好，如果分析不出它对医疗系统的实际价值，药可能也推不出去。在这里，Cost-effectiveness和疗效数据一样重要。 数据常常是散的、缺的，但工作就是得推进。我们经常用到 合成数据、联邦学习 这些方法，在合规的前提下，把不同来源的RWE整合起来，重点不是抱怨数据不够，而是想办法把它构建出来。 你还得会“翻译” ，就是把复杂的模型结果，转化成医生和业务团队能听懂的逻辑；把数据处理过程，整理成清晰合规的文件。技术和业务之间，需要你来搭桥。 如果你在准备面试，比起竞赛排名，他们更想听你讲：在数据有限的实际场景里，具体解决过什么问题？对PHC、数字生物标志物有没有真实的了解？罗氏需要的是能踏实落地、懂业务、也知道风险在哪的人。 我整哩了Roche DA面筋和面试的常见问题，🙌🏻【RO】

5

发布了笔记 1月前

NG面试MLE至少要达到这个水平

最近好多朋友在问MLE怎么准备，趁有空来聊聊我的理解。 MLE这个岗位吧，说白了就是算法和工程的结合体，你得懂模型背后的原理，也得能把模型跑起来、怼进生产环境、还得保证它不崩。不像有些岗偏理论，有些岗纯写代码，MLE算是两头都得抓。 面试一般就考三大块：Coding、ML理论基础、ML System Design。 Coding这块儿没啥捷径，就是刷题。跟SDE准备差不多，LeetCode Medium得稳住，Hard能写最好。区别在于MLE的coding偶尔会带点ML背景，比如让你手撕一个K-Means，或者写个函数算信息熵。不用太慌，核心还是算法和数据结构，ML只是套个壳。 ML理论这块儿，面试官会一直往下挖，挖到你不会为止。比如你聊Bias-Variance Tradeoff，他会问那你实际调参的时候怎么判断是bias高还是variance高？怎么解决？再比如你提XGBoost，他会问你它和GBDT的区别在哪，regularization怎么加的，为什么能防过拟合。所以准备的时候不能只背概念，得真的吃透。 ML System Design也是最劝退很多人的地方。面试官会直接甩一个开放题，比如“设计一个YouTube视频推荐系统”或者“设计一个Instagram的Explore推荐”。这种题没有标准答案，考的就是你能不能把一个模糊的需求拆解成可落地的架构，数据从哪来、怎么存、模型怎么选、怎么训练、怎么上线、怎么监控、怎么迭代……每一步都得想清楚。而且还得考虑scalability，毕竟用户量上来了系统不能崩。 我把MLE常见面试题目和准备思路都捋了一遍，🙌🏻【MLE】～

11

发布了笔记 1月前

53rd Bank Credit Risk Analyst面试复盘

刚面完Fifth Third Bank的Credit Risk Analyst岗，来跟大家划个重点！面完我感觉自己对整个credit game都有了新的认知。 项目经历这块挖得很深，会让你详细讲做过的复杂信贷分析项目，比如经济下行期怎么应对资产质量恶化。跨部门协作经验也很重要，要和Lending、Collections、Finance这些团队都打过交道。模型开发经验是必问的，PD/LGD/EAD模型有没有建过？CCAR、CECL这些监管项目有没有参与？ 消费信贷分析考得很细，FICO评分分布、房贷的LTV和DTI、信用卡的utilization rates和charge-off trends，每个产品线都要懂。对公业务也很有深度，商业地产估值、middle market的财务报表分析、小企业信贷的SBA贷款，全都覆盖到了。 建模部分是重头戏，PD建模用logistic regression还是machine learning？LGD怎么算recovery rate？CECL预期损失模型怎么做economic forecasting？都得聊透。组合风险管理要懂concentration risk monitoring、early warning indicators，还有capital allocation怎么算RAROC。 监管合规特别受重视，Federal Reserve supervision怎么应对，CCAR stress testing怎么做，fair lending要满足哪些要求，这些问题一个都不能含糊！ 案例题全是真实场景：坏账率突然增加30%怎么investigate？Fed加息300bp怎么assess portfolio impact？管理层要求reduce credit losses by 20%你propose什么strategies？ 技术方面Excel/SQL/R/Python都得过关，能把复杂概念翻译成管理层听得懂的话。行为面试就是常规的handle priorities、team collaboration这些。 总的来说，他们想要的是一个懂业务的风控人，technical要扎实，business sense要在线，能把风险分析转化成 actionable的业务洞察。想冲regional bank risk岗的小伙伴们，记得把portfolio lens和regulatory lens都练好，准备类似岗位的小伙伴可以多看看这些面筋和面题💪【53】~希望给大家一点启发

9