1. 写在前面
如题，2020年上半年对我来说真的是一部秋招血泪挣扎史。作为2020.1.1时无论文、无比赛、无项目、无实习的四无人员，在这里回顾一下整个春招秋招的历程，希望能给之后的学弟学妹们提供一点帮助，避免一些雷区。
首先介绍一下自己：双非本华五硕，无论文，实验室方向和机器学习之类的不沾边（吐血ing）。自己本来一直想的是找Java，2020年元旦和师兄（实验室唯一算法岗offer）聊了之后打算转算法。这个时候真真无论文无实习无比赛无项目的四无人员。注：这里也是怪自己头铁，最后求职成功有一些运气成分，希望有相同背景的同学在选择求职方向时能认真考虑。
由于CV、NLP太过于内卷且对论文、项目要求过高，最后选择了门槛较低一点的推荐算法。由于个人原因，整个秋招投递公司比较少，自己参加了面试的几家公司都拿到了offer，白菜、sp、ssp都有。
2. 前期准备
- 项目准备：由于实验室研究方向与ML丝毫不相关，想要扩充简历只有比赛经历一条路。正巧12-2月有一个CTR的小型比赛可以参加，期间主要依靠一些大型CTR比赛的开源，学习大佬们的特征工程构建（https://github.com/Smilexuhc/Data-Competition-TopSolution）以及比赛过程中前排的开源。另外，也特别感谢师兄在入门过程中的指导和帮助，使我少走了很多弯路。春招时，我把这个CTR比赛作为自己的唯一相关项目写在了简历上。
- 理论准备: 由于自己实践较少所以好好准备了下理论基础。理论准备主要分为两部分：
1. ML基础知识：主要是学习了《统计学习方法》和西瓜书两本书，学习过程中一边进行知识点的整理一边将所有公式推导了一遍。推导过程痛不欲生！！！！ 特别是西瓜书内容过于简洁，很多公式根本难以理解…因此，在复习过程中查阅了很多优秀的博客。在学习过程中，结合博客内容，自己把西瓜书上的内容整理扩充了一下，另外把书上的每个数学公式推导了一下。这里贴一下笔记链接: https://github.com/CallmeZhouxiaolun/Machine-Learning-Nodes
2. 推荐相关知识：首先，可以通过学习项亮《推荐系统实践》这本书入门推荐系统。这本书简要介绍了推荐系统的应用及构成，同时对协同过滤、LFM、冷启动等问题进行了粗略的讲解。之后的进阶推荐阅读王喆《深度学习推荐系统》，通过这本书能够粗略的了解推荐系统的发展，从前深度学习时代的协同过滤、矩阵分解、逻辑回归、FM、FFM、GBDT+LR等到深度学习时代的Wide & deep、Deep FM、DIN、DIEN等。同时，这本书从实践应用的角度分析了模型的构建，让读者能够理解why，而不是简单记住模型结构。另外，本书关于深度学习推荐系统工程实践的内容对于未接触工业界的同学来说可能难以理解（例如我... 直到实习后结合工作内容才能有一点点理解...太蠢了）
- 算法准备: 因为时间比较短，大概在leetcode上刷了100多题就直接投递实习面试了，还好面试遇到的题目都比较简单。
1-4月好好准备了四个月，就直接投递推荐算法实习了。实习非常非常非常重要！！！算法岗大部分hc都留给实习转正了。自己运气比较好，面试第一家就拿到了实习offer，后面就没再接着面试，直接去实习了。
3. 秋招经验教训（泪目...）
- 一定要实习！！！当代求职怪像：找实习要有实习...（由于没有实习经历，春招投递实习差点被简历挂）。我整个秋招面试都在聊实习内容，很少聊到基础知识。因此，实习对基础知识薄弱的同学来是比较重要的。
- 一定要参加提前批！！！自己因为有了实习经历就想着秋招没啥问题，一直傻乎乎的实习到了八月底才开始投递秋招，当时提前批基本结束了。正式批首先需要进行笔试，对于我这种算法比较差的极其不友好…另外算法岗hc会比较少。正式批时咨询了几个同学都说推荐岗没有hc了，导致我秋招面试特别少，吐血。
- 一定不要瞅着一个工作地点硬刚，先拿了offer再说！！！我因为个人原因，所以地点全部选择了上海，拒绝了其他地方的面试，最后导致at都没参加面试。
以上就是我整个求职过程中的学习思路、经验教训，希望对具有相同背景和求职意向的同学有所帮助，也希望大家都能取得心仪的offer！！！
===========================手动分割===================================
打个广告，如果有想要投递字节、亚马逊实习的同学欢迎私信。可以官网内推，如果有需要我也可以帮忙直接把简历投递给认识的hr。
全部评论
(12) 回帖