学统计的我，是如何成功拿到最火的Data Analyst offer的？

大家好，我叫Alex Liu，Southern Methodist University统计Master。现在是Insikt的一名Data Analyst。之前有机会上了来Offer的人工智能与数据科学强化课程，收益良多；找工作的时候也经历过惊喜和意外，所以写下一些求职心得，和大家分享共勉。

对于我来说，找工作有以下4个关键点：

• Project和Case Study经验
• 扎实的编程能力
• 准备好面试
• 用好LinkedIn

下面，我来分模块说说自己的准备经验。

Project和Case Study

首先，data类的工作内容，更像是帮助公司解决一个business的问题。面试中会有相当比例的case interview。对于new grad来说，如果没有相应的经验和知识，很难在面试中impress到面试官。

所以想往这条路发展的同学，建议大家多多参与一些项目，做做case study练习。

很多工作中需要的分析、建模等综合能力，就是在做这些实战项目中累积的。

我个人是跟着来Offer的人工智能与数据科学强化课程中的老师做项目，觉得十分受用。老师们有多年的工业经验，无论是在推荐系统还是实验设计，在讲解理论知识点的同时，也会告诉同学们工业界中是怎样使用的，一些模型的参数是怎样设计和调试的，对用户和business会有哪些影响等等。

坦率讲，这些知识很难在学校能够接触到，如果在面试中能够展现出来，会加分不少。

扎实的编程能力

其次，扎实的编程能力也很重要。对于data岗位来说，这个部分不会很难。

自学coding误区较多，个人觉得跟着专业的机构和老师学习，效率更高。来Offer的人工智能与数据科学强化课程也教算法课，会cover常见的算法和数据结构，并且有相当比例的python课程。来Offer的老师拥有多年的算法教学经验，水平自然无需多言。

对于一些基本的算法和数据结构，要非常熟悉时间空间复杂度，跑过一些test cases确保解法corner case不会出现。

如果有时间的话，也非常建议用自己的语言把算法讲给没有算法基础的人听，会起到非常好的练习效果。

面试准备&注意事项

面试前，非常建议约老师，做做mock interview。

另外，对于机器学习算法，对于面试准备，去理解模型的直觉，以及模型之间的横向比较，更加重要。比如Logistic regression 和 liner regression 的区别，L1和L2 regularizer对参数估计的影响等等。这一部分，来Offer的Jason老师上课都有很细致地讲过，再加上自己的理解，在面试中能达到用通俗的语言，将一些统计知识和概念形象地解释的水平。

回答case题目时，注意不要着急套用模型，要多和面试官沟通。我在刚开始面试的时候，面对machine learning desigin以及case的题目时，也常常直接上来套用模型，讨论优缺点。但是实际上，模型只是解决问题的其中一个步骤，我们还要和面试官沟通怎样定义有效metrics、数据源是怎样的等等。

把面试的过程，想象成在实际工作中，和面试官一起解决问题的过程，你们需要头脑风暴找出解决方法并达成一致。

用好LinkedIn

最后鼓励大家多使用LinkedIn，去reach out人，在自己的主页上demo做过的project，有Github的话就更好了。如果是非常感兴趣的公司和职位，可以花时间做一些research，了解他们的产品和要他们要解决的问题，让对方感受到你的热情所在。其实用心一些，通过LinkedIn内推拿到面试的机会就会增加许多。

作为有幸参加来Offer人工智能与数据科学强化课程的学员，一直被老师们的敬业精神感动。同学们的邮件会在24小时内得到老师的回复，不仅仅是知识点和面试，老师们也在帮助大家实现着蜕变和成长。

新一期的课程就要开始了，祝愿大家有所收获并拿下理想offer！