关于Google实习面试：
楼主现在波士顿某高校 Data Science项目在读。然后今年暑假在Google实习，title是Quantitative User Researhcer & Human Factor Engineer， 然后我在Mountain View的pixel组，总体来说UX这个领域中国人非常少，然后做Quant的面试基本和Data Scientist是一样的。实习时除了HR要phone screen一轮外，接下来一轮是tech的面试，就是20分钟写一道简单的coding，20分钟问统计知识。过了第一轮tech的话，第二轮是和manager聊天，不过聊天过程中，虽然不会有coding环节，但是会穿插一些tech的问题，我遇到的是统计和model这些。然后两轮之后HR发邮件说，Google的HC讨论后说决定加面一轮，我这时手头已经有两个实习的offer了，不过毕竟是Google，所以又硬着头皮面了一轮tech，加面这轮明显增加了很多难度，45分钟问了很多product，case相关的问题，然后还考到了causal inference的实验设计，幸好我们学校的必修课要修相关的内容。本来觉得可能要挂了，不过过了一周HR发邮件shuo拿到offer，所以就愉快的接了offer
关于暑假Google的经历和return offer：
Google的待遇和环境真的是非常棒，我在Mountain View那边，然后身边的人都是各个领域的大牛，值得一提的是在Google实习期间，需要和很多UX Designer合作，非常有创意的一群人，每天都很开心。然后暑假做了不少project。然后这估计也是我host写评语时还不错的原因。然后正常实习就是12周，最后两周时，HR会帮你安排好两轮return的面试，和进来实习面试的内容差不多，一轮coding，一轮统计。不过中间加了很多mixed methods的case和情境，就得静下心来仔细想想再做答。当时面完又是觉得不理想，不过好在HR前几天电话通知说没问题了。我们学校有个offer保护政策，就是有多个offer的时候，可以延期到11月7号才回复公司。我9月实习结束到昨天一共前后面了30多家公司，有Facebook，Microsoft，airbnb，Amazon，BCG，Lyft，高盛，还有一些VC， biotech，综合对比下来，Google给的绝对不是最多的，不过做的东西确实非常有意思，也可以学到很多。我的打算是接了offer，然后做两年后在回东海岸，纽约，波士顿，DC 去做点有意思的东西，其实我觉得求职期间，工资待遇福利非常重要，但也不应该作为唯一标准来判断。真的看你真正感兴趣的是什么。
关于Facebook和Microsoft （以及Airbnb，Amazon，BCG，Lyft，高盛）：
楼主今年比较幸运，这些公司大部分都是官方网站上申请的new grad职位，然后Facebook和Microsoft onsite面完后都是第三天就电话通知过了。这些公司的条件都不错，不过因为做的东西可能自己真的不喜欢，所以忍痛拒了。关于具体的一些细节，大家可以留言，发邮件，加我微信问？或者我过阵子整理整理写一篇帖子。
关于如何准备：
其实学校的data science项目课程都设计的很好，两年下来，coding肯定就没问题了， 面试时我觉得Python或者R，有一个熟练地就没问题，真的没有高下之分。有基础的probabaility，然后进阶版的statitsical inference，再到machine learning，最后到非常难懂却极其有用的causal inference。学校有个特别好的地方就是可以去隔壁学校cross-register，然后随时蹭蹭课，体验挺好的。然后在波士顿的这两年体验特别好，人文和学术气息都很好，来波士顿之前特别浮躁，过来后慢慢和自己的大神同学们学到了好多。我觉得都给我的面试给了很大的帮助。最后，希望越来越来越多的中国小伙伴可以在这里分享自己的准备过程，面试经历，真的希望国人都团结起来，更多人来到想去的公司工作。
另外有需要内推的，或者各大公司面试准备的小伙伴可以加我微信 （发邮件问我微信号吧） 或者发邮件如果你prefer （jiayoujiayou2020@gmail.com）大家多多交流，一起进步，也在这里祝福大家都可以斩获心仪的offer， 希望可以更多地帮到大家
（列下我觉得学校里上过得比较有用，打基础的课的link:
Statistics110: Probability：
CS181: Machine Learning：
https://harvard-ml-courses.github.io/cs181-web/
EPI289: Causal Inference：
CS124: Data Structures and Algorithms: