· 技术面试
技术面试的话，会涉及到很多领域的内容，这里我就结合自己的面试经历，把一些经常会问到的领域展开分析一下，哪些不常问的领域，我就不过多介绍了。
（1）machine learning
Machine learning这个方向的热度有多高，我应该不需要多说什么，大家都了解。我申请的岗位是model方向的data scientist岗位，在面试中主要问的问题基本上都是machine learning方向的问题。比如说模型评估、如何优化模型、不同模型的差异点以及某些算法的细节。我之前在面试的时候，被问的比较多的算法包括svm、clustering、tree based models、logistic regression以及pca等等。当然有些公司在面试的时候，也会问一些数据方向的问题，比如如何选择feature、unbalance应该怎样处理等等。有时也会被问到一些deep learning方向的问题，面试中的大部分问题都和公司的经营范围相关度比较高，如果有时间的话，个人建议computer vision、NLP这些都可以提前准备准备。
（2）stats & probability
stats & probability方向的问题，主要就是概率和假设检验此类的问题。在面试之前可以去看一下a practical guide to quantitative finance interviews这本书，上面有一些知识还是很有用的，对面试有一定的帮助。
（3）SQL
Analytics分支的data scientist的很多面试官都对SQL情有独钟，有时间的话，多刷刷题，或者去论坛上看看那些前辈的面经，这些都是很有帮助的。个人建议，如果你想申请Analytics分支的data scientist的话，还是多学习一下subquery、aggregate function等相关的知识，这样会更加稳妥一些。
（4）algorithm
大概可能也和我选择的岗位性质有关，我申请的岗位，很少会被问到coding题目。但我认识几个申请machine learning engineer的小伙伴，还是会碰到coding题目的，比如说高难度的算法题目。会不会被问到coding题目，主要还是看你申请的是什么岗位。如果你打算申请machine learning engineer此类岗位的话，那肯定是刷题帮助会更大一些，最好可以刷到中等难度，如果有能力的话，就刷到高等难度。
（5）product
产品类别的技术面试，对我而言还是有一些难度的，因为这方面的经验并不是特别丰富。之前在产品技术面的时候，面试官问过我如何设计A/B Test、如何选择metrics此类问题。如果你对产品方面比较感兴趣的话，我可以给你推荐两本书，一本是A Collection of Data Science Challenges，还有一本是Lean Analytics。
Case
面试说完了简历面试和技术面试，我们来了解一下第三类——Case面试。Case面试的话，又分为两小类，第一是商业case面试，还有一类是machine learning case面试。先说说商业case面试，面试官会针对企业的运营内容、经营范围等方面进行提问，所以你最好可以提前了解一下公司的概况，避免不知道答什么；然后再来说一下machine learning case面试，面试的题目大部分都是现场给你一个data challenge，你需要在一定的时间内做出解决方案。对于machine learning case面试的准备，只能平时多积累了，多跟一些machine learning的科研项目，积累一些实务经验。如果你申请的公司是初创公司的话，还可能会涉及到咨询case面试，这里我可以给大家推荐一本书——Case in Point。
