大数据的水很深，只会刷题就别去面试了

H导师是数学博士，计算机硕士毕业。现在就职于美国最大的social media公司之一。擅长辅导零基础学员学习Machine Learning，Statistical Modeling，以及如何准备Data Scientist面试。曾经辅导EE学员成功拿到Data Scientist offer，成功内推3位学员拿到全职工作。

现在的工作

我现在在做Data Scientist。在我攻速对于Data Scientist还有Software Engineer的划分不是特别明显。

我主要是负责广告组，我做的这一块叫做User Modeling，主要是利用各种数据来猜测用户的名字，地理位置，还有性别，然后打相应的广告。具体来说就是要根据用户关注的人来推测他们喜欢什么，还有根据用户习惯来打广告。

然后就是根据初步推测出来的信息，爱好，性别来投放初期的广告。通过观察用户行为，我们再在后台修改模型。

工作上面最大的挑战就是那些不好推测的信息。我公司对于用户的年龄，性别的模型做的很好，容易推测出来。有一些是很不明显的，比如说兴趣爱好这一个方面。我们就需要通过观察用户关注的人，点赞历史来推测，这一方面的Feature不是特别多。

需要具备的技能

Coding的技能是必须的，比如一些high level的语言。比如说Hadoop里面要用的语言。然后就是要了解一些大数据模型， Machine Learning的基本知识，面试官可能会问到。

虽然说工作之后会有Training，但是还是要了解Machine Learning的一些概念。比如说怎么对数据做预处理，模型。如果你处理过数据，那么在面试的时候就会特别突出。

在学校学的Machine Learning跟工业比起来，Data Set小，问题简单。工业上面接触到的数据会更复杂，模型也会更复杂。

学校课内课程要注重哪些内容

概率和统计，统计推断，线性回国数学模型，统计建模。你需要知道知道这个模型是怎么来的，还有背后的Under line的Assupmtion。

简介大数据的职位

Data Scientist有三大部分。分别是Data Analyst，Data Scientist，还有Data Engineer。

Data Analyst

主要做的是分析最初的Data，提取有用的信息，report给下面一层，不需要建造模型。

Data Scientist

主要任务是建立统计模型，implement算法，做预测和分析

Data Engineer

偏向于搭建系统架构，cluster，以及大数据的infrastructure。如果出现了不明显的，那就把数据还给第一层，然后再提取一遍。

投简历的渠道:

当时是和其他的两位同事一起准备的，大家一起刷了一些题目。然后在准备的时候，我们常常互相“刁难”对方吧。虽然一开始被提问的时候很不适应，但是这个互相提问的环节帮助我们理解更多细节上的问题。

我一共拿到了Google，Facebook，我现在公司，还有Linkedin的面试，但是一共就面试了两家公司，分别是Facebook还有我现在的公司。因为原来公司的manager在Facebook，所以直接拿了onsite，我自己本身是数学背景，还是想跟多的利用数学，所以对于纯Codeing的工作不是特别感兴趣，所以就没有去Google的onsite。

面试遇到的难题：

对于我个人来说，难点还是在coding上面。面试你的公司其是也就是在确认你能写代码。遇见了一些design的题目，系统设计的题目，基本的数据结构，然后就是模型的设计。跟Google的风格很像，你如果回答的好，那么下面一题就会更难。

学员身上的共性

就像我上面说的，大数据这个方面还是很新。所以学校的一些课程还是不是特别系统。整个大数据的市场的水又深又混。