光环大数据分享谷歌、脸书等5家硅谷公司的面试经历

大数据培训，就选光环大数据！光环大数据专注大数据、人工智能培训，讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需，通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。

大数据+时代，大数据培训成为非常好的选择！

最初的缘由
起因是 2017 年即今年，我作为一名普通的软件开发工程师，已经在 Groupon 芝加哥总部工作了近三年。这是我的第一份工作，我的团队和项目都非常赞，我们一起构建很酷的东西、在公司内部发挥各自的影响力、发表论文等等。但是，工作轻松，生活自在，随着时间的推移，我发现我的学习速度正逐渐放缓，内心开始希望迎接新的挑战。同时作为一名在芝加哥住了八年的码工，也非常向往湾区的优秀公司。
生命短暂，职业生涯则更短。在与妻子沟通并得到她的全力支持之后，我决定采取行动，做出第一次职业转变。

准备
首先我对机器学习的职位很感兴趣，但其实我申请这五家公司的职位名称和面试过程都稍有不同。LinkedIn、Google、Facebook 的职位是机器学习工程师，Salesforce 是数据工程师，Airbnb 是软件工程师。因此我需要准备三个不同领域：算法和编程、机器学习和系统设计。
由于白天还有一份全职工作，所以只能晚上喝周末抽出一些时间准备面试，总体而言，一共花了 2-3 个月的时间。以下就是我如何在这三个方面做准备。

算法和编程
的确，算法和编程面试并不是评估开发人员所有技能的最好方法，但短时间内没有更好的办法来判断是否是一名优秀的工程师。
这一块其实是最好也最难准备的。一方面有许多的网站提供了大量的题目可以练习，另一方面也需要投入大量时间精力。我主要使用 Leetcode 和 Geeksforgeeks 进行练习，还推荐 Hackerrank 和 Lintcode。我花了几个星期的时间过一遍常见的数据结构和算法，然后针对性地重点关注我不太熟悉的领域，最后解决了一些常见问题。由于我时间有限，我通常每天做两题。
我的想法是：
• 多练习，没有捷径。
• 与其做完 Leetcode 上所有 600 道题，不如覆盖全部类型并彻底理解每一道题。我总共做了大约 70 道题，我认为已经足够了。我的想法是，如果 70 道题还没有帮助，那么你可能方法有问题，做 700 道也没有任何帮助。
• 做最难的题，其余的都会变得更加容易。
• 如果一道题超过两小时都做不完，可以看答案了。再花时间思考并不值得。
• 做完一道题后一定要看答案。我很佩服那些一行 Python 代码解决问题的人，虽然有时依赖语言的某个特性，但实在是很精妙。
• 使用你最熟悉的常用语言，在面试时可以用到。

系统设计
系统设计领域与实际工作经验更密切相关。 如果你有不少系统设计的经验，那么花的时间可以相对少一些。虽然是很看经验，但也还是可以准备的，网上也有很多的经验贴和练习题。我主要阅读关于系统设计面试、大型系统架构、案例研究相关文章。
个人感觉这个领域面试时会涉及很多问题，包括但不限于系统架构、面向对象的设计、数据库模式设计、分布式系统设计、可扩展性等。因为我主要面试的职位是机器学习相关的，所以这次面试遇到的 session 少一些(主要是 Airbnb)。

虽然系统设计面试会涵盖很多主题，如何回答这些问题还是有一些通用思路的：
• 先明白需求，然后考虑大框架，最后是具体设计。不要马上跳到细节上，而不弄明白需求是什么。
• 没有完美的系统设计。根据需要做出取舍(trade-off)。
尽管如此，准备系统设计面试的最好方法就是坐下来设计一个系统，深入探索你平时使用的工具、框架和库。举个例子，要是工作中用到 HBase，有的人可能就只是简单的用一下 Client 跑一些 DDL，做一些 Get，但有的人可能就会摄入一些了解整个系统的设计，包括整个读/写流程、如何保证很强的一致性、次要/主要压缩起到作用、LRU 缓存和 Bloom Filter 的作用等等。你甚至可以将 HBase 和 Cassandra 进行比较，看看它们设计上的相似点和不同之处。面试时如果要求你设计一个分布式的键值存储，你就不会觉得太突然。
许多博客也能提供很多知识，比如 Hacker Noon、一些公司的工程博客以及开源项目的官方文档。
最重要的是要保持好奇心和谦虚。像海绵一样吸收知识的养分。

机器学习
机器学习面试可以分为理论和产品设计两个方面。
除非你有机器学习研究经验或者机器学习课程学得很好，那么阅读一些教科书是很有帮助的。经典教材如《The Elements of Statistical Learning》和《Pattern Recognition and Machine Learning》都很有帮助，如果你对特定领域感兴趣，你可以阅读更多相关内容。
确保你理解如偏差/方差权衡、过度拟合、梯度下降，L1/L2 正则化、贝叶斯定理、协同过滤、降维等基本概念。熟悉常用公式与模型推导，如贝叶斯定理，如逻辑回归和支持向量机。尝试实现简单的模型，如决策树和 K 均值聚类。如果你在简历上提到一些模型，确保你对其完全理解并能评价其优缺点。
对于机器学习产品设计，要了解构建机器学习产品的一般过程。我是这样做的：
• 找出目标是什么：预测、推荐、聚类、搜索等。
• 选择正确的算法：监督与无监督、分类与回归、广义线性模型/决策树/神经网络等。为做出的选择给出原因。
• 根据可用数据选择/设计相关功能。
• 选择模型性能指标。
• 可以考虑如何为生产优化模型。
我想再次强调保持好奇心和持续学习的重要性。不要仅仅用 Spark MLlib 或者 XGBoost 简单地调用 API 训练出一个模型，我更推荐去研究为什么 Stochastic gradient descent 适合分布式训练，又或者了解 XGBoost 和通常的 GBDT 有什么区别，包括对 Loss Function 的定义有何特别之处，为什么用到二阶导等等。

面试过程
最开始我在 LinkedIn 上回复 HR 的留言，并请其给我推荐职位。在某家明星创业公司求职失败后(我稍后会谈到)，我努力准备了好几个月，在 HR 的帮助下，我在湾区安排了整整一周的现场面试。我周日抵达湾区，在世界上最好的几家科技公司五天面试了大约三十位面试官，很幸运地，得到了这五家的工作机会。

电话面试
所有电话面试都是标准的。唯一的区别是面试时间：LinkedIn 面试 1 小时，而 Facebook 和 Airbnb 则是 45 分钟。
熟练程度是电话面试的关键，因为时间有限，通常你只有一次机会。你必须很快判断出问题类型，并给出一个宏观解决方案。一定要和面试官沟通你的思路，说明你的意图。这可能一开始会让你速度慢一点，但沟通比任何事情都重要，会对面试有很大帮助。不要死背答案，因为面试官肯定会一眼看穿。
对于机器学习的职位，一些公司会问机器学习相关问题，因此面试前温习巩固一下机器学习方面的知识与技能。
为了更好地利用我的时间，我在同一个下午约了三个电话面试，每个之间间隔1小时休息。这样的做法不一定适合所有人，好处是可以趁热打铁状态好，坏处是如果一个没面好，后面的面试可能会受到影响。
同时面多家公司的一个好处是有时候能够省去某些环节。有些硅谷公司规定对于湾区以外的面试人要进行两轮电话面试。我之所以能够省去 Airbnb 和 Salesforce 第二轮电话面试，是因为对方得知我一轮电话面试就拿到了 LinkedIn 和 Facebook 现场面试的机会。
更令人吃惊的是，Google 甚至没电话面试就请我参加现场面试，这也是因为对方得知我下周要来湾区参加四个现场面试。我知道这会让我很累，但是，没有人会拒绝 Google 的现场面试邀请!

现场面试
五家公司虽然都是 IT 公司，但处于不同的领域，文化上也各有千秋。我简单说一说自己对它们的感觉。另外虽然不算是吃货，但作为民以食为天的中国人，自然也要对午饭进行一下评价。
（1）LinkedIn
这是我第一个现场面试，我在 LinkedIn 的 Sunnyvale 办公室。作为专注于职场社交的公司，LinkedIn 的特点是端庄、大气、职业化，内部文化也相应地非常专业。员工的穿着都是商务休闲装，整体给人一种职场精英的感觉，与他们的宗旨非常契合。
面试方面，编程和机器学习各 1 小时。编程面试都是标准问题，但机器学习面试可能会有些困难。尽管如此，我之前收到 HR 的电子邮件，里面包含了非常有用的准备材料，因此面试中没有太出乎意料的事情。我听说 LinkedIn 有硅谷最好的食堂，从我的实际体验来看，这差不多是真的。
LinkedIn 被微软收购以后少了经济压力，使其可以放开手做非常酷的事情。LinkedIn 新添加的视频和专业广告等功能令人兴奋。作为一家专注于职业发展的公司，LinkedIn 优先考虑其员工的职业成长。目前包括 ads relevance、feed ranking 在内很多组都在招人，所以如果你想加入，那就赶快行动。
（2）Salesforce Einstein
Einstein 是 Salesforce 近几年主推的明星产品，拥有一个明星团队。这个团队非常新，感觉非常像初创公司。团队主要是使用 Scala，Tech stack 都是 Akka/Play/Spark 那一套，这也是最吸引我的一点。我最初接触到 Einstein 是在 2017 年 4 月的 ScalaDays 上听了 Matthew 以《Type safety in machine learning》为题的演讲，之后又在 Spark Summit West 上听了 Leah 的演讲。喜欢 Scala 的人一定不要错过。
面试地点是 Salesforce 位于 Palo Alto 的办公室。这个团队很有凝聚力，能保证工作生活平衡。每个人都热爱并真正享受自己做的东西。与其他现现场面试相比，四场 session 总共时间略短，总体侧重于 Data engineering 和 System design。另外需要注意的是，coding 也是要上机跑的。面试后，Matthew 甚至带我参观了惠普的车库。
（3）Google
当今业界领头人，没有什么可说的。最重要的印象就是大，非常非常大。去见我 Google 的朋友的时候骑自行车骑了 20 分钟。中午吃饭排队人很多。
我在 Mountain View 的许多楼里的一幢进行面试。我不知道具体是哪一幢，因为 Google 真的非常大。
面试官看起来都很年轻，他们一说话就显得很聪明。和他们一起工作一定是非常愉快的。
值得注意的是 Google 特别强调算法的复杂度，确保你真的明白时间和空间复杂度，能够针对瓶颈进行优化!这一点与别的公司不同。
（4）Airbnb

快速扩张的 Unicorn 公司，拥有非常独特的公司文化以及可能是硅谷最美丽的办公室。推出了新产品包括“体验”以及餐馆预订服务、在高端小众市场进行尝试、以及进入中国市场，这些都为 Airbnb 的前景增添了积极因素。如果可以承受高风险，并希望获得快速增长的 pre-IPO 经验，那么 Airbnb 是完美的选择。
Airbnb 的 coding 面试有点独特，要求上机，并且每个 Session 只有 45 分钟时间，某些题目的难度也相当大，所以压力还是不小的。
Airbnb 独树一帜的跨职能面试，这也是我最享受的，我和面试官轻松交流。Airbnb 认真对待公司文化，技术上优秀并不能保证拿到 Offer。
总的来说，我认为 Airbnb 的现场面试流程最长，环节最多，题目很难，总体感觉最累。如果你有兴趣，一定要了解他们的文化和核心价值观。
（5）Facebook
另一个仍在高速发展的巨人，与 Google 相比规模更小，速度更快。在社交网络市场铺开了全面产品线，处于垄断地位，以及在 AI 和 VR 方面的大量投资，未来 Facebook 只有更多的增长潜力。有像 Yann LeCun 和 Yangqing Jia 这样的明星，如果你对机器学习感兴趣的话，这是一个完美的地方。
我的面试是在楼顶有花园的海景房 Building 20，也是扎克伯格办公的地方。
Facebook 的整个面试过程我自己感觉是最不好的，一方面是因为已经是第五场面试，整个人已经很疲劳了，另外可能是 Facebook 的规定，面试官都没有对我的答案给出特别明显的好与不好的信号，虽然我觉得自己的答案没有错，但也稍微有些拿不准自己的表现。
两场 Coding 还算是正常，两道题都在面试官的提醒下总共给出了两种解法，有一场还问了两道题。下午我已经感觉自己生病了，头疼得厉害，最后硬撑着完成了面试，出来以后感觉不太好，没想到最后竟然也拿到 Offer 了。
总体来说，我觉得 Facebook 的工作人员坚信其公司愿景，并为他们正在建设的东西感到自豪。作为一个拥有 5 万亿市值还在不断成长的公司，Facebook 是你职业发展的绝佳地点。

工资谈判
很多人觉得自己不擅长谈判，或者很多时候不好意思开口。我个人觉得求职实际上是在出售自己的时间，而时间对于一个人来说是唯一不可再生的资源，如果你自己都觉得你的时间不值钱，那么别人也不会觉得它值钱。
这是一个很大的话题，这里我不打算深入讨论，但我发现这篇文章非常有帮助。
有几点我觉得值得注意：
• 保持职业风度。
• 了解你的筹码。
• 显示出你对团队和项目的兴趣。
• 保持耐心和信心。
• 态度坚定，但要有礼貌。
• 绝对不要撒谎。
我在 Databricks 失败的面试
所有的成功始于失败，包括面试。在我开始面试这五家公司之前，我五月份在 Databricks 的面试失败了。
早在四月，当时是 Spark MLlib 组的经理 Xiangrui 在 LinkedIn 上联系我，询问我是否对 Spark MLlib 团队中的某个职位感兴趣。我当时受宠若惊，认为这是一个绝佳的机会。
• 我使用 Spark 工作，很喜欢 Scala;
• Databricks 的工程师实力是一流的;
• Spark 正在给整个大数据世界带来变革。
这是一个我不能错过的机会，于是简单地准备了两天就开始了面试流程。
Databricks 的水平要求非常高，整个过程相当长，包括一个初筛问卷、一个电话面试、一道 coding 大作业以及最后的现场面试。
我获得了现场面试邀请，并参观了位于旧金山市区的办公室，可以看到海湾。
我的面试官非常聪明但同样谦逊。在面试中，我经常感到自己被 push 到了极限。下午有一轮是针对机器学习算法理论，一方面自己实力不足，另一方面准备不够充分，整个环节是一场灾难。最后和 Xiangrui 简单聊了聊。
几天后我收到了拒信，这是预料之中的，但我还是郁闷了好几天。虽然没有机会在 Databricks 工作，但我相信他们可以继续创造出更大的影响和成就。

后记
• 生命短暂，职业生涯更短。在正确的时间做出正确的举动。
• 集中面试很累，但也会给你很大优势。
• 面试不仅仅是个找工作的过程，更是个交朋友的机会。硅谷圈子就那么大。
• 平时有机会也要多交朋友，比如开会就是个很棒的机会。Databricks、Salesforce、Airbnb的面试机会都源于我去过的Spark Summit和Scala Days。
• 拿到 Offer 仅仅代表你达到了公司的最低标准。最高标准没有上线，所以要保持持续进步。
从五月的第一次面试到九月底的最后一次面试，我完成了职业生涯的第一次跳槽，期间过程漫长且不易。
准备过程还是很辛苦的，因为我还要继续本职工作。有一段时间每天晚上都是准备到凌晨一点才睡，第二天早上八点半起床全身心投入工作。
五天面试五家公司也是高度紧张有高度风险，除非你时间很紧，否则我不建议这样做。但如果你拿到几个 Offer 会在谈工资时有很大优势。
最后，感谢在这个过程中所有帮助过我给过我建议的朋友。感谢所有给我面试机会和 Offer 的公司，跟我一直联系的 HR，以及每个抽出宝贵时间和我聊天的人。也感谢一直默默支持我的家人们——看着我一步步成长的父母，为我所做的一切的我亲爱的妻子、和每天都给我暖心笑容的女儿。

大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。 更多问题咨询，欢迎点击------>>>>在线客服！