家ng开了，该投投，该推推！（需要内推的童鞋请联系我，wx:shanganjun01）
https://careers.google.com/jobs/results/129157118633616070-software-engineer-university-graduate/
从2020年年初开始，New Grad求职市场一片哀嚎。相比较上一次“困难”难度的2017年，2020年来到了“地狱”模式。往年或许只是比较难拿到面试，但一些背景出色的同学还是Offer不断。而2020年，似乎连最优秀学校毕业的学生，在CS相关类的Position求职，也是屡屡碰壁。
从大环境看，一年比一年恶劣，那么——
灵魂拷问：我要毕业了 / 已经OPT了，我的工作还没有下文，我想留美怎么办？
回答：现在就准备，迎战2021年八月秋招(2022入职)。是的，2021春招已经已近尾声。
迎战春招，SDE方向面试准备
01准备简历
一份好的简历是你求职的敲门砖。根据网上资料显示，只有0.2%的人能拿到谷歌的offer，疫情后这个数字更是屡创新低。而每年被直接筛掉的简历，更是在百万份左右。上岸君身为资深面试官，帮同学们修改审阅简历上千份。通过大数据总结了同学们简历中几个常见的问题：
- 没实习，水实习，水项目来凑数
这是一个简历被筛掉的最常见原因，一般这种简历都是到不了面试官面前的。大公司里到onsite这一轮，面试官经手的简历基本上是看不到这些项目经验很水的简历的。
- 简历里充斥大量过时的技术
这个不多赘述。如果你的简历里充斥着过时的技术，举个例子比如像是jQuery, AJAX, PHP, JSP，ASP, 那么肯定是不会过简历关的。
- 转专业，过多无关内容，自暴自弃
对于零基础、转专业的同学，简历不知道写什么是个普遍问题。求职市场并不是100%地“看出身”，更多时候，还是要看简历上的干货，而这些干货还要与职位要求相符。你如果是纯正的CS血统当然很好，但如果你不是的话反而应该更花一些心思在你的简历上哦。
- 没有云计算的相关经验
云计算变得非常流行了，如果你的简历里面还是那些老旧的服务器配置，手动部署app那么就已经out了。特别是你想申请热门的亚麻和微软职位，没有合适云计算的经验又怎么能够脱颖而出呢？
- 完全无法理解自己简历中的技术
对自己的简历技术一无所知肯定是硬伤。上岸君在辅导学生简历修改时会花大量时间和学生沟通和情景分析，以确保学生对简历中技术有基本的理解，我们都会解释的很清楚，甚至配上文档和链接。随便就把一堆技术名词往往里面塞，对你的简历是没有任何帮助的。
过不了简历关，即使有十八般武艺也无用武之地。所以，一定要重视简历的撰写，学会使用精准的关键词来描述简历项目中的技术细节和成果。
突出重点，多用数据和结果说话，强调与目标职位相匹配的优势。最好再列举自己理解透彻的项目，描述项目经历和工作经历时要具体而不冗余。项目方向最好贴近科技近年流行趋势，所使用的技术与行业内正在使用的技术无”代沟”，丰富而又有适当的深度。
《上岸全栈项目小班课》本周四开课，https://www.shanganonline.com/course-detail?id=full-stack。新增一个项目，更新技术栈，手把手带大家完成个性化项目。5人化小班教学，理论课+实践课双管齐下，吃透项目细节，同时避开大班课简历大撞车的尴尬。
02刷题
对于还没拿到offer的同学来说，大概只要地球不爆炸，我们刷题不放假。但上岸君发现，SDE的技术面试已经不再向“更难的题”进发。我们搜集了大量在2020年面试的同学反馈资料，面试考题依旧停留在以Medium至Hard难度之间，并没有因为疫情将题目门槛大大提高。题目难度相比往年几乎持平，也没有大范围出现更新，更难的算法知识。
但很多同学在刷题过程中存在着这样的问题，其一：知识点顺序混乱，不成体系。因为不知道面试范围，大家只能广撒网多捞鱼，仿佛一个没有感情的刷题机器，刷的再多，没有戳中面试的要点也是做的无用功。其二：盲目追求刷题数量，囫囵吞枣。但需要注意的是刷题刷题，刷的是题，培养的是思维，不能本末倒置。
曾经有一个陆陆续续刷了500多道，19年下半年和2020上半年的所有大公司的面试都挂了，在参加了上岸算法小班课程后斩获了Apple, Google, LinkedIn, Microsoft, Waymo, Zoom等6家公司offer的同学这样总结道：
在参加上岸算法课的练习中，我慢慢感觉自己在刷题过程中的表达训练太少。之前都是哑巴刷题。每看到一道新题，想想写写，不会的就看答案。有时候刷一天也不会说一句话。而上岸的课特别注重让我去解释思路。有时候在课上碰到的提问，即使会的内容也不一定能解释清楚。认识到自己的弱点之后，开始特别注意这方面的提高。自己做每道题的时候，会试着去解释自己的思路，以及主动回答一些问题，比如：
- 这个题需要做什么Clarification？
- 这个题用Brute Force怎么解？
- 是用什么方法可以降低时间复杂度？
- 除了这些，还有什么别的解法？
- 有什么有代表性的Test Case？
- 一些Corner Case怎么去处理？
经过一段时间的练习之后，我感觉在面试中的表达更通顺了，有的面试甚至是和面试官聊天中把这道题做出来的。在面试官提问之前，就去主动思考并且回答这些问题，会让面试官印象深刻。
正如小王子老师经常说的：面试是一些面试官选同事的过程。这其实很好理解：面试官也希望找一些表达清楚，幽默风趣，思维敏捷的同事共事，而不是一些靠死记硬背面试，或者连最基本的算法都解释不明白的人。
但其实为了达到快速招人的目的，公司的招聘过程更加程序化，这意味着现在的coding 题目是有迹可循的。不少有过面试经历的同学都反应，面试时至少会遇到一道原题。所以，平时在做题的过程中可以边刷边总结，把有代表性的或者一时想不到怎么做的题单独标记出来复习。
《上岸算法小班课》https://www.shanganonline.com/course-detail?id=algorithm本周三开课，根据最新大厂面试情况预测春招形式，更新题库及答案，让你从面试官的角度理解算法面试的本质，并在一个月内拥有快速上岸的能力。
03面试
相比较之下，近几年开始，面试对于学生的交流能力提出了更高的要求。如何在面试中准确的提问，以及表达、阐述自己的算法思想，反而成了区别面试者能力的一大因素。
用直观的量化表达，在一场面试中，算法能力的比重在我们看来高达60%，但剩余40%均来自于交流软技能。
通过平时的训练，大家大多对coding环节成竹在胸，但是对于更为灵活的BQ 问题，往往没有十足的把握，那么上岸君接下来重点介绍一下行为问题面试。
行为问题面试，Behavioural Based Interview，其理念就是“一叶知秋，三岁看老”，通过你过去的行为规律，来判断你将来在工作中的表现，是否能为公司带来新的变化，创造新的价值。比如以下4种司空见惯的提问：
1.“牛逼救场型”：Tell me about a time that you went above and beyond a
customer’s expectation.
2."不服就干型”: Tell me about a time that you disagreed with a senior member in your team on an important decision.
3.“糗事百科型”：Tell me about a significant failure in your professional experience.
4.“扛起江山型”：Tell me about a time that you made a decision without consulting your manager.
BQ 的回答如何答/怎么答有很多微妙的界限，对于不好回答的题目我们可以选择变换角度来回答，上岸君不建议大家在准备BQ 问题时造假经历或者是背诵千篇一律的模板，其实很多答案大多来自于你的亲身经历，但不一定要百分百符合现实，你可以选择性的透露一些细节，也可以加戏补充细节。这样既能让你的答案源于现实，又能让面试官听到她想听的东西。
如果你想与大神过招，可扫码进群，看看我们洛音小姐姐本周二（是的，就是明天！）如何带大家冲风破浪：
因此，假如你的目标是能够在2021年找到一份“给sponsorship”的年薪(总)不低于100k的SDE相关工作，那以下是我们给出的建议：
首先明确自己的算法能力，要深度掌握面试的必要算法，但不要盲目追求题量。刷题对于人的算法能力提升是显而易见的，但盲目追求数量而不去总结和归类一定是事半功倍。以下我们列出了你必须深知的算法知识：
排序(常规/拓扑)，二分法，宽度优先搜索，深度优先搜索，双指针，链表的操作，盏的运用(包含单调盏等)，队列的运用，双向队列的运用，优先队列的运用，扫描线，以及树的问题（除去BFS, DFS，树的一些经典操作，遍历(当然也可以算作dfs)，序列化等）。
有同学可能要问为什么没有DP？
因为DP在大部分公司都不是面试要求，而且可以用DFS + 优化处理。另外在准备学习DP的时间性价比上并不高。所以不做推荐。
推荐题量？
我们推荐您在系统性的训练上述算法后，刷至400-500题即可。这些知识足够达成我们的目标。但我们还是要强调，刷题因人而异，我刷500题的体会和他刷500题的体会显然有很大区别。所以我们强调您需要“系统性”的训练算法。假如您不能在做到一题新题(假设是上述算法知识之一)，并将之迅速归类到某种算法和某种写法，我们认为您的算法知识还有缺陷。
迎战春招，Data方向面试准备
数据领域和SDE领域的求职非常不同，SDE领域的求职知识往往集中在算法和计算机知识等领域。而数据领域的工作，很多人却仍有迷思。Data方向包括以下岗位：数据科学家(Data Scientist)、机器学习工程师(Machine Learning Engineer)、数据/产品分析师(Data/Product Analyst)、商业智能工程师(Business Intelligence Engineer)、数据工程师(Data Engineer)。除此之外，数量研究师(Quantitative Researcher)、研究/应用科学家(Research/Applied Scientist)、甚至产品经理(Product/Program Manager)等等，也能属于data方向的广义范畴
01准备简历
相信不少同学，尤其是刚毕业或者是转方向的同学都曾经历过这样的一个迷茫期：自己海投内推无数， 可是拿到的面试却寥寥无几。 看着身边类似背景的同学面试拿到手软，一个个陆续上岸，除了羡慕却不知该如何改变现状。
今天上岸君将从面试官的角度来给大家总结一些常见的简历问题， 希望能帮助大家提高拿面试的几率。
Recruiter和 Hiring Manager 在审核简历的时候看重什么？
想提高自己简历拿面试的几率，“换位思考”是一个必不可少的过程。只有清晰地知道对方需要什么，才能更加的有针对性的提高。那么我们先来分解一下Recruiter和 Hiring Manager的筛选流程，从而来看一下他们最看重什么。
常规流程下Recruiter的工作是发布招聘信息，收集简历，在大量的简历中挑选“符合资质”的候选人来推荐给Hiring Manager。这些符合资质的候选人，最简单来说，即是Recruiter认为有希望通过下一轮，甚至整轮面试的候选人。
这些人通常满足以下特征：
1.匹配程度 – 匹配程度主要审核候选人过往经历相似程度。比如你过去有没有类似的项目经历，有没有解决过同类型的问题，有没有这个领域的Domain Knowledge， 有没有做过数据分析类的Presentation, 有没有和工程师以及PM协作开发过产品之类的经历。
2.技术背景 – 是否已经拥有职位所要求的技术能力。如果现阶段不具备，那么是否有潜力可以快速Pick up这些能力。
3.组特定的需求 – 这其实也是匹配程度的一点，但因为这些特定的需求通常不容易在招聘信息中体现出来，这里我就额外列举了。有经验的候选人会在和Recruiter的电聊中得知这些信息。比如招聘组里业务飞速发展，人手紧缺。这种通常对候选人的特定需求就是要Onboard 快， learning curve短的候选人。或者组里要Build一个全新的产品，这种通常对候选人特定的需求就是有一些行业类似的经验， 可以快速在新产品上带来收益的候选人。
搞清楚Recruiter和 Hiring Manager最看重什么，接下来要做的就是仔细剖析自己现有的Profile， 然后把自己的简历尽可能的和需求接轨，从而最大化Match成功率。
02 简历投递
2021年，Data方向的简历投递策略只能是不论公司规模和名气，三十六计投为上计。因为Data方向的岗位众多，学生在投递简历的时候，往往走了一些弯路。我们在辅导中，经常碰到的几个关于投递的误区是：
1）投得晚
这一点毋庸置疑，太多学生想等到万事俱备只欠投递的时候、才投出神圣的简历，因此白白错过了最佳的投递时机。这样的例子数不胜数。春招在即，建议大家早早丰富好自己的简历，准备好在1-2月疯狂地投递吧。如果自己面试准备得已经要修炼成仙了，错过了投递时机而没有拿到面试，也只是屠龙之术。
2）投得精
Data方向尤其常见这一失误。很多学生只知Data Scientist，其实还有很多岗位和DS一脉相承。既然投了Data Scientist，为什么不同时投Analyst、ML、BIE、AS等等岗位呢？这些岗位面试需要的技能点和考察的知识点，和DS有一定的overlap。公司会根据自己的headcount和招聘策略，实时调整自己在不同岗位上的招聘额度。所以扩宽自己的投递范围也是常见的应对策略。
3）投得高
又是一个Data方向的学生容易犯得错误。有些学生很迷恋一些高端大气上档次的Research Scientist，或者时下很火的Machine Learning Engineer。这里我们不是不建议投递这样的岗位，如果背景合适，当然要死命地投递。但是，同时我们还要指出的是，这一类岗位通常僧多粥少，而且竞争可能远比想象得激烈。
有些很优秀的学生，因为看不到和他们一起竞争的candidate pool有多大，就只往一些难度系数最大的岗位投递。我们给出的建议是，就算对这类岗位把握极大，还是要投递一些其它的岗位来保证自己能上岸，如BI类的岗位。
其实，不论是公司，还是岗位，职业发展是长期的，这样的事情不需要追求一蹴而就。只要你上了岸，之后不论往大厂跳还是转岗，都是有很多办法的；比起因为好高骛远而上不了岸，有了H1B之后的转岗和跳槽，要容易得多得多。很多的成功实例都有survivorship bias，并不是每年毕业的人中都有那么大比例的人拿了大包，找到最适合自己的路才是最重要的。
03面试准备
当然，Data领域这么宽泛的范畴也意味着面试准备不能千人一面。上岸的DS小班采用了双轨制，BA方向针对偏应用的Analytics类岗位，ML方向针对偏开发的技术类岗位。同时，为了帮助大家找到最合适自己的路线，上岸举办过多次讲座，剖析各个岗位适合的人群和求职策略。假如你的目标是能够在2021年找到一份“给sponsorship”的年薪(总)不低于100k的Data相关工作，我们建议的Data方向岗位的面试准备重点有：
1）夯实基础，SQL和Python编程基本功不可丢，关于array的data manipulation要会用Python写些easy题目；
2）举一反三，侧重case study的灵活运用，现在公司越来越侧重考查数据科学中business acumen了，也就是给你一个实际的情景，如何找到相应的数据来解决问题；
3）点面结合，machine learning的基础知识要懂，更重要的是怎么将你的机器学习设计与产品需求相结合。
【上岸数据科学小班】上岸算法-小班IT求职培训
2021春招版，科技公司考点全覆盖，用真题破解面试，30天冲刺offer。授课老师均来自北美一线科技大厂，5人小班教学，针对不同基础的同学，会设计相应的回家作业，同学们根据自己的需要决定完成与否。
- 讲述DS和BA/ML的定位/工作内容/求职的策略和准备方向，高效备战春招。
- 了解北美Data方向工作的面试流程以及最佳的投档时间。
- 2小时初步了解面试官出题心态/评判标准以及技术面试知识体系。
1o24福利！
FAANG工程师带领的公益刷题活动，7节课免费参与!
