非科班算法秋招历程+经验分享

「临渊羡鱼，不如退而结网。」

个人背景

我的秋招之路

本人从大三开始，以及硕士第一年的过程中都是想读博的，感兴趣的方向是智能交通与机器学习/优化，于是我从19年秋季开学前就提前来了学校找做相关方向的老师打工，经历了短暂地切换研究项目之后，从9月份开始跟着CS的PhD一步步地做一个CV目标检测的项目，坚持每周组会，每周推进进度，一直到今年的8月份才放下工作，全身心投入秋招。

想要留本校读博需要考过一次 Preliminary Exam（下称 Prelim），并且找到愿意带我的老板和funding，就可以顺利续上四五年的湾区生活。但是今年突如其来的疫情导致学校从3月开始全面网课，我和老师的交流仅仅局限于网络，非常不方便，学校财政的骤然缩减也给我继续读博的funding带来了很大的不确定性。很幸运的是，在联系完若干金主之后，我终于找到了合适的老板和 funding source，等到考完 Prelim 就可以继续读博了。

事与愿违的是，在五月份的 Prelim 考试中，我并没有很好地向委员会解释清楚做这项研究的意义，以及对于交通领域真正的贡献是什么。委员会很贴心地给了我第二次考试机会，让我好好准备，并且可以在暑假或者秋季学期结束前提出重考。五月底收到邮件的时候，觉得挺难过的，恰好房子合约到期，颓了两天就收拾东西搬去新公寓了。

六月七月上了一门 AI 的 Summer Session，周一到周四上课，每周还有讨论和作业，以及4个独立完成的大作业。中间依然保持了有空就做项目的习惯，依然每周组会，每周汇报。不同的是，我在一直思考，我为什么要做这个项目，这段研究经历能对我 Prelim 考试起到多大的帮助作用。进入8月的时候猛然发现自己总是低头忙碌地工作，到头来自己个人能力的增长却很有限，不知是否因为我还没进组，还是疫情使得大家的沟通变难，暑假期间自己得到的老师指导也近乎于无。我知道这不是我想要的科研生活。在和几个好友打了若干个电话之后，我决定转头转码找工作了。在梳理了一遍自己上过的所有CS课程，包括基础的编程语言，到数据结构和算法，以及机器学习凸优化等，结合自己本科以及研究生期间的几段科研，我决定自己的秋招求职方向是算法工程师。

说干就干，8月2号我去买了一个月的 LeetCode 会员，从最简单的 2Sum 开始刷起。代码方面从数据结构开始刷，到各种结题技巧，动态规划等等，一边刷一边总结相似题目（可惜9月之后事情实在太多，刷题就放在一旁了）。

整个8月都在忙着刷题，刷教材，投简历。为了尽快建立面试答题的体系，我刷完了《机器学习》西瓜书、Stuart Russell 的 《Artificial Intelligence》、《百面机器学习》等，深度学习的花书用来看某些重要的知识点。我的刷书过程是连续阅读相关的好几章，然后回头做一遍总结，这样加深了一次印象，也知道自己在哪一块用语言描述的时候不够简洁清晰，能仔细梳理一遍。（PS. 1. 详细的学习路线在后文有提。2. 李航老师的《统计学习方法》据说也是算法工程师必备，可惜我并没有这本教材）

从8月底到9月中旬是各家笔试面试的高峰期，由于时差的原因，我经常凌晨4点起来参加笔试（北京时间晚上7点），6点做完倒头继续睡。同时由于秋季也已经开学，本学期三门 EECS 的硬课也实在难啃。几周下来，睡眠质量下降，白天精神状态不好只能靠咖啡硬撑。所幸的是，随着笔试和面试次数的增加，我积累了更多的临场经验，在笔试时不再强行要求自己一次 AC，很多时候可以先写出可行解，然后不断考虑各种边缘情况，能抢一分是一分。面试方面，在自我介绍和项目上逐渐做到烂熟于心，在遇到不会的问题时也把自己对于问题的理解尽量讲明白，而不会一字不答尴尬冷场。

阿里巴巴是我秋招面试的第一家公司，笔试完大概两周开始收到了面试。从一面到三面，面试的重心逐渐从机器学习和代码基础向科研项目转移。到了交叉面的时候，我交叉到了一位其他BU的算法大佬，在回答几个项目相关的问题时没有说服他，很可惜地折戟交叉面。不过每次面试之后，我都会记录面试中自己遇到的新问题，没有思考到的点。很感谢阿里给我这次面试机会，第一次秋招面阿里能冲到交叉面其实也给了我一些经验和信心。

美团是在9月初参加的笔试，不知道是不是比较幸运，那场笔试的题目都是我刷过的类型题，所以几乎全AC了。笔试两周后收到了面试，总共面了三轮技术+一轮HR，面完大概就到10月下旬了。美团给我印象很深刻的一点是，在面试到第三轮技术leader的时候，听完我的项目介绍，问了三个问题，我觉得点踩得都非常好，是我自己之前没有想到的地方。这点让我觉得大佬就是厉害，而且态度随和，好感度上升。面完HR面一周后，我给HR发微信催了一下进度，当天就收到了意向书，第二天就收到带薪offer了。

其他：

心态调整与方向选择

• 心态：

秋招过程中的心态调整真的很重要。我的理解是：对于没到来的笔试面试拿出严肃紧迫的心态去准备，已经结束的（不管好坏）都尽量不让他们影响自己。

有很多人都会说：没事，慢慢来，总能找到一份工作的。这种说法是用来安慰某次笔试或者面试失利的同学，但绝对不要让自己一直都有这种心态参与秋招。相比于科班出身的同学而言，非科班的同学起步已经晚了，如果想要拿到一份理想的大厂offer，就要明白自己的竞争对手是那群科班同学，自己必须付出更多的努力才能获得和别人一样的成果。如果我们不保持这种紧迫的心态，不断学习和前进的话，很多到手的机会也只会白白流失。

同时，**不要放弃任何一个机会。**在秋招进行到中后期的时候，我比较后悔的一点是自己秋招投简历投的晚，有好几家已经结束了。我第一家面的是阿里，应该先去面一些小厂积累经验，了解一下面试中会遇到的问题和套路，这样可能会更顺利一点。

关于心态的最后一点，**崩溃是常有的事情，接纳和感受这种情绪，并且学会排解它。**没有人的秋招是一帆风顺的，我也在秋招过程中遇到过想要放弃的时候。和家人聊天，和朋友互倒苦水，或者去健身房撸铁之后冲个热水澡，找到自己的排解方式，才能让自己尽快回到积极的心态中，继续远征。

• 方向：

选定自己最有优势的方向，不轻易做选择，但是做出选择就不畏首畏尾。

很多人问我到底是找算法还是开发，算法是不是卷中卷，客户端开发是不是最容易。我在刚决定秋招找工作的时候也有过这样的困惑。我第一次投腾讯就是客户端开发，面过一轮之后，我发现面试里面非常多的问题都很底层，并没看过这些源码的我只会一些八股文。我知道如果继续走开发，我的简历是处在劣势的。所以我果断转了算法，并且对简历进行了进一步的包装。

学习路线

以下是我的学习路线，如果求职方向不同，还得根据自己的需要进行调整。总体的思路是：打好基础，了解相关，掌握核心。

前提：本人非科班，湾区研究生，授课型项目，故能腾出一些精力上相关课程。

打好基础：

数据结构和算法的学习是最基础的，我学的是UCB的 CS61B Data Structure 和 CS170 Algorithms。61B 虽说是数据结构，但也会覆盖一些算法，YouTube和b站应该都有资源。CS170 是一门纯探讨算法的课程，甚至很少涉及到代码实现。对于转专业申算法岗的小伙伴，计算机网络和操作系统不是必需的课程。编程语言方面，Python 和 java/C++ 应该要掌握的，在面试时一般不会限制语言。

数学基础也是非常重要的。我本科使用的线性代数教材为同济大学的那本紫皮书，我印象里开头直接讲行列式，然后向量、矩阵，线性方程组等等。当时靠着死记硬背和努力刷题，期末拿个满分也搞不懂这些东西有啥用。这本书的体系结构我觉得设置不合理，讲课也停留在几十年前的那种填鸭式做题上。强烈推荐 MIT 的 Linear Algebra 课程，YouTube或者b站都有资源，老爷子讲得非常好，上完之后有一种豁然开朗的感觉，原来线代是这么一回事！据我所知，国内一些高校也已经开始使用 MIT 的线代教材和课程设置，比如清华和上科大等等，我觉得应该也能找到相应的中文资源。

了解相关：

机器学习相关的知识涉及的领域非常广泛，大数据，CV，NLP，推荐系统等等。作为校招生，我们不可能对于每一个领域的知识都了解非常深入，所以对于这些相关的领域要有了解，一些常用到的工具或者 packages 能使用就更好了。

掌握核心：

掌握核心指的是掌握相应岗位的核心知识和技能。一般的JD里面都会写某个岗位要求的知识和技能是什么。对于机器学习而言，从传统的 SVM 和 LR ，到神经网络，决策树，集成学习等等都是需要掌握的知识。在学习过程中，我非常不推荐以面试为导向，以网络博客和知乎为主要学习途径。这些博客中的知识真实性并没有经过检验，系统性也不够，所以还是以经典的教材为主，入门的有西瓜书、李航老师的《统计学习方法》、《深度学习》花书等。优化可以看斯坦福的《Convex Optimization》，或是UCB的《Optimization Models》。

课程方面，我主要修了EECS 227A (优化)，CS 188 (AI)， CS 289A (ML)，顺便把吴恩达的网课刷了一遍。

一点碎碎念

本文主要讲了自己备战秋招过程中的经历和一点心得，没来得及按照不同的板块准备面经和划重点。我想再强调一下，每个人的经历和职业方向都不同，但是核心思路是一样的，建议大家前期把精力和时间放在基础知识上，这样对于后面进阶知识的学习和面经的准备都是事半功倍的。

如果你看到了这里，非常感谢你的耐心，上面的一些想法如果能对你有一点点帮助，我就非常开心了。如果你有问题与我交流，欢迎通过邮件联系我：ch_hao@berkeley.edu。

「千里之行，始于足下。与君共勉。」