经历多个数据科学岗位后,对于数据科学面试他分享了以下求职心得

文|Tim Hopper

团队决定继续寻找具有更多神经网络经验的人。

老实说，我认为你沟通的方式和结果会让某些人感到困惑。

这个岗位需要一个具有图像分析背景的人。

考虑到您关于度假政策的疑问，以及您正在考虑其它的职位，我们可能不是您的最佳选择。

以上是我应聘数据科学家时被拒的部分原因。当然也有其它原因：公司决定不雇佣远程工作人员（至少3次），公司认为我更换工作太频繁，公司没有为数据科学工作做好准备；许多公司甚至没有给出详细理由。

在过去五年中，我已经面试大量的数据科学工作，而且我也被拒了很多次。我也花了很多时间反思面试没有成功。最近有人问我是否有经验分享，所以我写了这篇文章。

你永远都不知道

几年之前我就从申请读研的经历中了解到：你很少真正知道你为什么被拒绝：也许是GRE成绩不够高，也许是负责人急着要去吃午餐时看到了申请，也许因为兴趣声明太弱，也许部门需要接受校友的小孩。

公司也一样。我非常怀疑我被拒的理由都是编造的，也怀疑你很少（如果有的话）知道你没有提供工作的真正原因。我会针对这些原因提高我的技能并更好地呈现自己，但仅此而已。

一些建议

自2012年以来，我面试了近20份数据科学工作，以下是一些总结：

公司经常使用面试来了解他们真正寻找什么。这可能并不是有意的。但实际上面试候选人会促使团队思考他们究竟想要寻找什么，团队也经常意识到他们在面试之前有不同的观点。

新增加“数据科学”岗位的公司需要您帮助了解数据科学可以为他们做些什么。这时要尽可能地告诉他们数据科学能为公司提供什么，如何将其落地，投资回报率又是如何。

有时你不妨“将错就错”。你可能认为我就要找一个很符合他们要求的职位，但你不应当局限于这点。也就是说，如果你需要一份工作，而有人为你提供工作，你就该毫不犹豫接受！

数据基础设施很重要，而许多公司都缺乏这一点。许多数据科学家进入公司后才发现，他们所需要的数据是不可用的，他们不得不花几个月或几年的时间来构建他们开始分析所需的工具。别指望只对数据科学有一个宏伟愿景的公司会知道完成这一愿景都需要什么基础设施。

许多公司对远程完成的数据科学仍然感到不安。我觉得这很傻，有偏见。

面试中的问题几乎没有一致性。我被问到过Java设计模式，如何解决组合问题，描述最喜欢的机器学习模型，解释SMO算法，对TensorFlow API的看法，如何进行软件测试，分析一个从未看过的数据集并在4小时内准备好演示文稿，等等等等。曾经为了面试，我事先准备了A/B测试的统计资料，并乘坐飞机到西海岸面试，结果他们只问我软技能方面的问题。所以我在很大程度上放弃了为面试做特别准备。

网络仍然很重要。招聘困难，面试困难，因此与申请人相识会增加成功率并减少招聘的不确定性。以我为例，我与Twitter上的数据科学界的友谊和关系塑造了我的职业生涯；因此不要淡化网络的好处。

结论

那么如何获得数据科学的工作呢？我不知道。

我很幸运，从大学后一直都被雇佣做数据科学方面的工作，但我不确定你也能这样。我只能重申一遍我在my recent talk about data science as a career的结论：学习并知道线性代数、概率、统计学、机器学习、数学建模、数据结构、算法、分布式系统等知识——你可能不会在你的日常工作中使用这些知识，但面试官喜欢问。

同时，不要忘记沟通、仔细思考、散文写作技巧、软件编写技巧、软件工程、韧性、堆栈溢出等更难的技能。你每天都会使用这些技能，他们会帮助你在面试时表现得很好。