在美国，对于机器学习的Data Scientist/Applied Scientist，这类职位的核心工作职责是：能够完成end to end的机器学习项目，能够跟踪和了解最新的机器学习理论，开发适合公司应用场景的新算法。对应的核心技能要求是：
有OOP编程基础
熟悉主流机器学习和深度学习框架
熟悉主流大数据框架
熟悉主流机器学习和深度学习算法
能够跟踪和重现最新论文
将业务问题转化为机器学习问题的能力
DS如何刷Leetcode：
1.掌握一门基本的编程语言
如果你对语言没有强烈的偏好，我推荐面向对象语言Java来解决问题。首先，Java语言本身就有很大的就业市场。学这门语言找工作肯定没有坏处，而且这门语言本身的设计也很好。 使用 Java 作为面试语言可以向面试官发出一个信号，表明他们拥有扎实的编程基础。那个时候，如果你的Python基础很好，用python是没有问题的。这两种是面试最常用的语言。
2. 深入理解基本数据结构
数据结构的掌握是正式出题前的准备工作。只有充分理解了基本数据结构的原理，才能理解特定题型中为什么经常使用特定数据结构的原因。了解了不同数据结构的特点后，也有助于我们更好地分析时间和空间复杂度。
3.分类问题
我们经常测试的算法类型可以完全分类，如Recursion，Binary Search，DFS，BFS。我们在刷题的时候，一定要分类刷题。不要简单地遵循简单、中等、困难的顺序。胡乱刷题，很容易越刷越乱，无法建立系统的刷题套路。一类题目相似度高，解题方法和思路往往相似。这样一类题目会让你更容易总结出这类题目的思路和解题方法。当然，一类题很多，你可以按照频率从高到低做。
另外，一个很普遍的现象是，很多同学在做题的时候喜欢研究高频题，但是没有深入思考高频题为什么经常考。 之所以经常考高频题，是因为考的知识点比较全面，很多高频题往往是从一些基础的低频题延伸出来的。只刷高频题，却不去了解后面的知识点，其实是一种优先级的颠倒，这也是为什么很多同学会发现自己做了很多题，遇到新题却做不出来的原因。
只有深入了解算法的基础知识，掌握常用的基本套路，再加上系统的练习计划，才能很好地掌握，达到解决一道算法题后迅速想到正确思路的效果。
如果你想要在美国找工作，可以选择Uoffer，大厂面试官的1对1指导，帮助同学快速上岸。
