最近，网上“打工人”这个梗非常火，大部分“打工人”都不闲，大家都在努力的过活，尤其是北上广深等大城市的互联网打工人，不仅不闲，还每天忙得要死，甚至周末都不休息。

但你必须有时间成长，而不是无休止的工作。「废掉一个人最隐蔽的方式，是让他忙到没时间成长」说的正是如此。

今天跟大家分享一名大厂算法工程师的亲身经历。他是19年下半年毕业的双非小硕，毕业后一直从事基础的数据挖掘工作。疫情期间，通过学习，在今年3月份成功拿到阿里的算法工程师offer,下面是他的面试分享和感悟：

1

我的学习过程和面试经历

我是经济学相关专业毕业，本身计算机基础比较薄弱，19年毕业找工作的时候，投了许多大厂程序员岗位，但无一例外，全都石沉大海。最后费尽心力地进入了一家小公司，做数据挖掘。

20年初，疫情开始爆发，公司迫于压力，裁掉了三分之一的员工，而我也在裁员的名单当中。穷则思变，经过几天激烈的思想斗争，我决定在家系统的学习算法，这样才能寻求一份稳定的工作和光明的未来。

经过跟七月的老师交流以后，我报了七月的推荐就业班课程。

由于是比较早的报班，所以前期有大量的时间跟着课程去系统的复习机器学习和深度学习知识。后期跟着推荐就业班的课程学习，自我感觉收获颇多，自己的知识体系也能一点点架构完善起来。

过完年3月份，开始写简历找工作，当时北京很多公司都没有正式开工，很多人都在隔离或在家办公，求职市场上的岗位非常稀少，就在这个惨淡的背景下，我还是抓住了机会，敲开了阿里面试邀请的大门，然后的四轮面试都很顺利，4月初，距我开始找工作刚好一个月，我收到了阿里的算法工程师的offer。

根据自己找工作面试的经验，我主要有以下几点感悟：

1、更侧重基础知识。今年找工作的明显感受就是，越来越多的企业不仅仅要求你懂某些算法的原理，更加侧重一些算法细节方面的知识，甚至一些基本算法进行推导，如神经网络反向传播，随机森林更适合什么数据？你是如何解决稀疏性的问题的.

2、侧重算法复现能力，代码能力要求更高。由于本人是经济学背景，对计算机方面相对欠缺，在面试之前也反复去刷数据结构，唯恐有所不及，但面试总是有意外情况。一些面试官有时候并不会考察你的数据结构，而是直接要求代码复现你简历中的一些算法，并针对你复现的结果进行细节询问，如给你一些数据，要求你复现不同的协同过滤算法。还有一些直接询问如何进行代码优化，如如何减少代码耦合问题。因为现在很多时候，并不会直接使用已有的代码框架，需要自己根据实际业务进行重新复现。

3、要求深刻理解业务场景，并针对业务场景解决一些问题。这次面试经历最大的感受就是过了技术面，而无法过业务面。业务面除了理解基本的业务知识以外，还会要求根据自己的业务场景细节进行提问，更多的除了离线模型训练以外，更会从离线训练的方法会对在线有什么影响，比如dense features如何进行标准化和归一化的，不同归一化对线上有什么影响

4、技能语言要求较多。随着智慧城市理念的提出，算法被用到生活的方方面面，对算法工程师提出更多的挑战，要求的能力更高。除了常规的python语言以外，很多面试官直接问是否会c语言，因为c语言在线上会比java,python 更稳定些（来自一个面试官亲口所说）。初次以外像分布式算法一些企业也比较感兴趣，熟悉一定是一个加分项。这次面试的最大的感受就是面试官希望你的知识体系，推荐框架更全面更熟悉一些，奉劝那些只想知道大概的同学，千万要落实到具体的数据层面，数据如何在整个框架中流动的。

我的面试经历最大的感受就是除了要熟悉一些基本的算法以外，更多的要是有自己的思考，在哪些方面可以改进创新，面试官特别看重自我思考的能力。面试虽然结束了，我也顺利拿到推荐offer，但是我更多认识到了自己的不足，未来还需要继续学习，提升自己的竞争力。

同时，我也想告诉跟我一样双非毕业的打工人，要想有更广阔的前途，就要付出更多的努力，不断学习提升。

2

实战项目是关键

面试题目有千千万，但是依然有迹可循，比较难的是能够深入了解不同场景下的面试特点，进行实战项目。今天免费送给大家一个超棒的课程福利——《从零起步实现音乐推荐系统特训》

音乐推荐是推荐系统里非常特殊的领域，虽然现在虽然现在很多推荐系统都是作为一个应用存在网站中，比如亚马逊的商品推荐和网飞的电影推荐，但唯有音乐推荐可以支持独立的个性化推荐网站，比如last.fm和豆瓣FM。

本课程将基于网易云音乐的歌单数据，从零开始构建一个音乐推荐系统，课程的内容主要包括：歌单数据解析、surprise库的使用、基于surprise的矩阵分解实现，基于tensorflow的矩阵分解实现、基于pyspark的协同过滤实现、基于协同过滤的推荐系统实现、评分预测、歌曲序列建模、冷启动问题等。

学完本课你将收获：

1、实战歌单数据处理

2、实战协同过滤算法

3、实战矩阵分解算法

4、实战歌曲序列建模

5、掌握surprise的使用

6、掌握sparkals的使用

上课方式

第一步：进入https://www.julyedu.com/官网后台注册账号

第二步：复制本优惠码：10D43BAB83，仅限前50人

第三步：登录PC端官网https://www.julyedu.com/，进入七月在线首页点击-个人头像-优惠券-输入优惠码（前后不能有空格）—点击兑换—在已购课程中开启学习

3手把手带你从头到尾实战京东项目

要想从 基础 到进阶 再到 高阶 地 跨越式全面 提升 ，不进行系统的学习和实战 是不可能实现的 。 通过学习七月在线的系统的课程， 是我 能够得到 快速提升的秘诀 。

课程安排

第一阶段 业界前沿召回算法与特征工程

在线视频：

1、推荐业务、feed流产品及推荐算法策略架构解析

  • 推荐业务和推荐feed流产品详解

  • 推荐策略架构分解

  • 基于point wise 的stacking model 如何做用于推荐业务，以及相应的效果评估和模型如何升级(针对相应算法，提供data和code)

2、召回算法和业界最佳实践

  • BAT里常用的CF算法以及变种（User/Item CF等变种)

  • Hybrid CF 算法

  • Model Based CF（LFM矩阵分解、NMF、SVD)

  • 基于改进版协同过滤算法实战

3、搜索和推荐的matching技术

  • NLP的基础知识，BOW， TF-IDF， BM25

  • word2vec， topic model

  • 向量召回，embedding基础

4、用户建模（召回、排序都会用到）

  • BAT公司里常见的用户建模

  • 特征工程、分类模型开发

在线实训：

1、倒排索引项目实战

2、改进版协同过滤算法实战

在线直播：

1、召回算法进阶实战

  • 多路召回策略实战（热门、兴趣标签、内容属性、协同过滤）

  • Youtube召回实战

2、用户特征和Item特征的常用方法

  • Embedding的数学本质和计算方法

  • 用户特征和人群画像

  • 手动和自动特征工程

第二阶段 业界常用排序算法

在线视频：

1、排序算法&深度学习模型

  • BAT里基础建模流程构造（涉及样本、特征、模型、系统设计和实践）

  • 深度召回模型最新进展（向量检索、深度学习等）

  • 深度排序最新进展（WDL、DeepFM、DeepCross等）

  • 用户序列建模（LSTM、GRU, word2vec等）

2、Learn to Rank

  • Pointwise/Pairwise/Listwise排序（全局排序）

  • 多目标优化（ESMM等）

  • 多样性排序（BAT真实场景用户体验优化）

3、商品推荐方案讨论、E&&E算法以及deep learning如何作用于推荐系统中的排序

  • 电商推荐系统的难点

  • 业界推荐系统的公开数据集和开源经典算法以及用于解决coldstart和exploit-explore问题的bandit算法簇

  • deep learning模型算法作用于排序及相应优化方案（针对相应算法，提供data和code）

在线实训：

谷歌wide&deep模型实战

在线直播：

1、CTR预估进阶实战（上）

  • GBDT+LR 代码实战

  • wide&deep 代码实战

2、CTR预估进阶实战（下）

  • DeepFm 代码实战

  • DIN 代码实战

第三阶段 在线学习与实时化计算

在线视频：

1、分布式机器学习系统及其在排序模型中的应用

  • 分布式机器学习系统综述

  • Parameter Server介绍

  • 基于Paramer Server的大规模离线LR/FM实现介绍

2、实时化技术升级

  • Online Learning 算法（FTRL、增量学习等）

  • Online Learning 在BAT的系统架构

3、在线学习和相关技术

  • L1, L2和FTRL优化算法

  • 流式计算和流式数据

  • 在线模型和实时特征

在线实训 ：

Online Learning 最新算法实现

在线直播：

1、基于Flink和Scala的实时计算

  • flink相关知识点介绍

  • scala的相关知识,flink scala API初步上手

  • flink JOIN,MAP,TIMEWINDOW等算子的使用，checkpoints等高级特性的简介

  • 实时数据进入tensorflow，tensorflow实时reader

2、单机和分布式深度学习TensorFlow实践

  • 掌握tensorflow单机和分布式操作

  • 熟悉tensorflow serving

  • 掌握对于数据进行分析和模型进行评估

第四阶段 推荐系统最新技术

在线视频：

1、学术界最新算法在BAT的应用

  • 电商推荐中的Delayed reward强化学习算法

  • GAN等技术在推荐系统的实践

2、掌握真实业务场景下的推荐算法

  • 短视频推荐算法

  • 音乐推荐

  • 新闻推荐

  • 电商推荐

在线直播：

1、多目标排序

  • 推荐系统中的CTR、CVR任务如何共同建模

  • 多目标排序的问题点

  • 如何通过算法将推荐系统中的用户显式反馈行为和隐式反馈行为(浏览、点击、购买和评论)进行表征同时作用于个性化推荐（针对相应算法，提供data和code）

2、推荐系统最新技术、场景、方向解析

  • 推荐新场景

  • 推荐系统可解释性

  • 推荐系统多样性

  • 推荐系统公平性

  • 冷启动问题的最新解法

面试求职与入职护航

针对学员所选的实战项目，进行项目与简历的最终调整与完善。然后除了学员自己投简历找工作之外，增加内推，并跟踪每一次面试的结果，不断辅导迭代，最终拿到offer。

针对学员入职后工作上遇到的技术方面问题，进行一周的跟踪服务，为学员稳定就业保驾护航。

就业信息

七月在线的历届集训营/就业班学员中，已有超过1000人高薪就业，最高年薪120万，平均年薪32.3万，30万以上占比71%。

如果你不想未来被人工智能时代淘汰，想要提高自己竞争力、改变现状的人，现在就报名开始学习吧。