~阅读本文,约需5分钟~

美西时间周四晚间,
我们邀请到了曾留美读了PhD,
之后在微软和亚麻做云计算业务的Rick老师
为想要转码的同学们带来了一个Webinar。
他说,如果你想在找软件工程/代码的工作,
here's what you should expect——
学术界和工业界差别很大
这句话老生常谈了。Rick老师用亲身经历举个例子,在学校里用并行计算,转到工业界要学分布式计算。
这只是冰山一角:
在学术界做Research,你写出来的代码大部分时候是给自己用的。但在SDE的工业界,你写的代码会是很大系统中的一小部分。写代码的工作只占30%-40%,你还会设计新的Feature,Review同事的代码等等,当然,当你资历足够多的时候,也会面试候选人
面试不是考试,也是考试
就像学校里面的考试,北美大厂的SDE面试题也有标准答案。
但不似你现在面临的期末考试,你答出正确答案,不是面试官想看的东西。你在整个面试过程中的表现更为重要。
面试官会以看同事的角度看待你:可以做出题,就好。当时当刻不一定要完美。他们更看重你在写题过程中体现出的沟通和Problem Solving Under Pressure能力。
当然,也不是所有面试中会考的东西都会在日常工作中用到。但方式方式和思路是互通的。
所以,要成为一名软件工程师,你需要什么?
最基本的是数据结构和算法。
当你在练习——通常是靠刷题来练——的时候,Rick老师说,要注意培养自己的SDE职业素养:主人翁精神Ownership和优秀的写代码的习惯,产出Clean Code。
在现在VO的年代,面试官会在云上(通常是GitHub)提供给你代码结构,需要你复制到本地你习惯的软件里。这样的话就可以马上跑一下测试,比传统的白板更可靠。
Rick老师的一大建议,就是:
不要等着面试官来问你,你写的码工不工作?
Test-Driven Development是很常见的开发模式,在面试中自己先把Test写出来,就是Ownership的一大体现。
在代码的功能对了之后,但肯定还能改进。把重复的东西拿走,把Code清理干净。平时刷题时就养成良好的写码习惯,就很重要。
当你想要多快好省的写出代码时,往往会花很长时间,最后跑出来一堆错误。所以工业界的磨练会告诉你,要先考虑功能,再优化性能,分两步走。在面试时中你也应该这样分别考虑
排序复杂度?
Softskills,沟通能力,难道不会自然培养吗?
在SDE的工作中,千万别默认任何东西。自己说话的时候就要把细节讲清楚。比如说,同样是“代码写完”,究竟是进展什么到什么程度?被别人review,放到新环境测试,有很多环节呢。
面试的时候,你得从对方的角度来想,我之前的项目经历和对方当下或者将来要做的事情有什么关系?
对于我们想转码同学,当然就要积累合适的项目经历——
在找工难度和身份问题愈加难办的今天,
技术岗位,尤其是数据方向的
对各个非STEM专业的留学生格外友好。
Rick老师有提到,
作为21世纪最性感的职业,
用工市场对于
数据科学家/工程师/分析师需求量大,
这是短时间内不会改变的现状。
无论是面提到的大厂,
还是越来越多的日益成熟独角兽,
科技公司往往更愿意为你办身份的手续。
而科技岗是他们永远在招的岗位。
相对于本地学生,
我们留学生更容易在分析类技能上突出优势。
无论你的专业读的是
Marketing/Comms/Econ/Finance/...
在Domain Knowledge的基础上
掌握数据方向的技能,
无疑会让你在找工作时更具竞争力。
不论你是不是

学Analtics或者Stat科班出身,
如果你也想在北美科技公司
找数据领域的工作,
那就不要错过——

扫描上方二维码,添加Justin老师报名
别忘备注【UO1209】~
从现实的角度来说,我们出社会要担心的事情不少。毕竟我们读书、过日子花的钱不少,还要想清楚将来在哪里常住。
无论你是因为对技术感兴趣,还是为现实考虑,都可以了解一下转数据这条路适不适合你,可以怎么规划,将来的出路是什么样的。
如果你是Analytics/Stat专业科班出身的同学,也欢迎你来听一下前辈的成长轨迹,
毕竟前辈的经验分享总是多多益善

美西时间下周四6PM智贤老师将做客Zoom直播间,和大家讲讲数据方向求职这件事。
智贤老师是Google资深数据分析师,也是阅人无数的面试官,熟悉大厂数据岗位的需求和面试流程。有着15年工业界数据分析经验,智贤老师擅长运用数据分析打造产品商业化的全链路生态,实现数据科学理论在实际工业界的应用。
部分学员 Offer
图片来源于网络。本文由Uoffer独家采编,未经授权禁止转载及任何形式的转发。
继续阅读
阅读原文