我五天面试了五家硅谷顶级公司，幸运地拿到了五个Offer
2017年7月24号到28号，我连续五天面试了五家公司：LinkedIn、Salesforce、Google、Airbnb、Facebook，最终拿到了五个Offer。能有这样的结果确实非常地幸运，付出的诸多努力也算有了回报，同时这段时间也是一段相当宝贵、刺激程度胜过高考的经历，所以写了这篇帖子作为总结和纪念。
五家公司各有特色，都是我非常喜欢的。我会回顾一下准备面试的过程以及一些个人经验，谈谈对五家公司的印象，最后说一些整个换工作流程中我觉得值得注意的地方。因为我并非计算机专业出身，工作时间也很短，知识和经验都非常有限，所以这里写的内容仅供大家参考。
起因
时间是2017年，我已经在Groupon芝加哥总部工作了将近三年，项目很有意思，团队也非常给力。按道理说我本应该衣食无忧地继续下去，工作轻松，生活自在。但是我却觉得不满足，毕竟年纪轻轻就耽于安乐不是一件好事。我感觉日常工作越来越熟练的同时，每天学习的速度却在减慢，内心也开始希望迎接新的挑战。同时作为一名在芝加哥住了八年的码工，也总想着去硅谷折腾折腾。
于是我和老婆说了我的想法，在得到她的大力支持后，我开始准备换工作。首先是经历了一场失败的面试，遗憾地错过了一个明星Startup，激发了我的动力，也让我认识到自己的不足。然后我重整旗鼓，挑选了几家喜欢的公司，回复了LinkedIn上面HR发来的几封邮件，又拜托以前会议上认识的朋友帮我内推，同时开始认真准备面试。
准备
我申请的都是机器学习相关的职位，但五家公司的具体头衔和面试流程略有不同。有三家公司（G，L，F）的职位是Software Engineer in Machine Learning，Salesforce的职位是Data Engineer，Airbnb是general的Software Engineer，因此Algorithms & Coding，Machine Learning，System Design这三块我都需要准备。
因为白天还有全职工作，所以只能晚上和周末抽出一些时间准备面试，加上需要准备的东西又多，前后总共大概花了两三个月时间。以下简单说说我的方法。
Algorithms & Coding
这一块其实是最好也最难准备的。一方面有许多的网站提供了大量的题目可以练习，另一方面也需要投入大量时间精力。我先是花几周复习了常见的算法和数据结构，然后有针对性地练习了一些不太熟练的方面，最后又练习了一些高频题目。这里有几点想法，其实也是老生常谈了，就算多给大家提供一个数据点吧。
1、不能盲目追求数量，而是要理解做过的每一道题目。有的帖子会告诉你“一定要把LC刷三遍以上”之类的，我的感觉是这不太现实。目前LC上面有600多道题，在全职工作的情况下要全部做完我可能要做个一年。我最后做了将近80道，个人感觉是完全够用了。我的想法是如果做完80道还没有效果的话，那么做800道可能依然没有效果:) 当然前提是这80道还是要面面俱到的，常见类型都要覆盖到。
2、按照题目类型，逐个类别准备，每个类别要到最高难度。像LeetCode这样的网站上都有Tag，可以分类进行练习，比如dynamic programming，recursion，graph等等。一般来说每种类型的题写两三道之后就差不多完全熟练了，如果没有的话，那么可以思考一下自己是不是真正理解了之前做过的题目。同时要做每个类型中最难的题目，不要被Hard的标签吓到。这个是理所应当，做过最难的题，简单一些的当然能迎刃而解。
3、什么时候看答案：一道题卡了两个小时以上，以及做出来一道题之后。如果一道题卡了两个小时以上，我的做法是直接看答案。很多时候做不出来就是做不出来，花再多时间也没用，或者不划算。用心理解别人的做法而不是和一道题死磕能够省去很多时间。即使做出来的题，建议也看看高票答案。有的时候很多答案会让你叹为观止。我就很佩服那些一行Python代码解决问题的人，虽然有时依赖语言的某个特性，但实在是很精妙。
4、用自己最熟练、最通用的语言。毕竟Coding面属于应试，用最得心应手、最流行的语言可以提高效率，面试的时候也有助于和面试官进行沟通。如果用略小众的语言（Clojure，Rust，etc.），虽然可以体现你技能的多样性，但有时候面试环境不一定支持，和面试官解释思路的时候在算法的上面可能还要额外解释一层语法，不如保险一点用Java或者Python。另外不得不说Python和Ruby这样的动态类型语言在面试的时候打起来实在是很快很方便，换做是Java容器类型的type parameter还要额外写一遍，有时候效率会打点折扣。
System Design
这一块只要是有工作经验的就会被着重问到。 如果你有不少系统设计的经验，那么花的时间可以相对少一些。虽然是很看经验，但也还是可以准备的，网上也有很多的经验贴和练习题。
个人感觉这一块问的问题很杂，范围很广，主要考察综合素质。常见的范围包括architecture，object oriented design，database schema design，distributed system，scalability等等。因为我主要面试的职位是机器学习相关的，所以这次面试遇到的session少一些（主要是Airbnb）。
这里是一些我准备过程中看过的不错的资源：
1. http://blog.gainlo.co
2. http://horicky.blogspot.com
3. https://www.hiredintech.com/classrooms/system-design/lesson/52
4. http://www.lecloud.net/tagged/scalability
5. http://tutorials.jenkov.com/software-architecture/index.html
6. http://highscalability.com/
面试中一些大的原则是：
1. 先明白需求，然后考虑大框架，最后是具体设计。
2. 没有完美的设计，要懂得如何做出取舍（trade-off）。
这里想说的是平时里的积累在系统设计里其实很能体现出来。举个例子，要是工作中用到HBase，有的人可能就只是简单的用一下Client跑一些DDL，做一些Get，但是有的人可能就会深入一些了解整个系统的设计，包括Zookeeper起到什么作用，整个读/写流程是怎样的，如何保证strong consistency，minor / major compaction都会做什么工作，LRU Cache和Bloom Filter的作用，等等。如果经验更多一些，还可以把HBase和Cassandra进行比较，看看二者的设计有什么异同，Consistency和Availability各自如何取舍，Master-Slave和Master-Master相比有何优劣。所以工作中遇到的问题、使用的工具最好多花一些时间思考和了解，平时多积累，保持虚心和对知识的渴望。
另外就是许多不错的微信公众号会推荐一些很好的干货文章，虽然总体来说碎片化、不系统，但有的文章质量相当高。我订阅的有数盟、大数据文摘、架构文摘、InfoQ、阿里技术等等，等车时或者睡前读读都挺好。
Machine Learning
机器学习这块大致能分为两种，一个是Theory，一个是Product/System Design。
理论部分就要靠基础和平时积累了。除非从事过机器学习方面的研究，多看几本教材肯定是有必要的。经典教材比如The Elementsof Statistical Learning和Pattern Recognition and Machine Learning都会很有帮助。有兴趣的话Deep Learning，Probabilistic Graphical Models都是不错的书籍。
基础概念例如bias-variance trade-off、overfitting、gradient descent，L1/L2 regularization，Bayes Theorem，bagging/boosting，collaborative filtering，dimension reduction等等都要有所了解。简单的公式要写得出来，比如常见的模型例如Logistic regression，SVM最好要会loss function的推导。简单的算法例如decision tree和K-means最好自己实现一下。
另外就是自己用过的模型一定要深入了解，不仅仅限于调用API，最好能够从理论角度评价优缺点。
机器学习产品和系统设计方面的话，总的来说比较依赖经验和直觉。我自己本来不做建模和产品设计，但是有段时间维护几个比较重要的模型，也算是有些肤浅的了解。
一些基本的设计流程需要了解。比如让你设计一个机器学习系统，首先要明确目标是什么（预测/推荐/搜索），其次是具体算法的选择（有监督/无监督，分类/回归，线性模型/决策树/神经网络）， 然后是针对现有的数据如何进行特征工程选取特征，最后是如何评价模型的质量。之后还会有一些针对工程方面的优化，比如实时的机器学习系统如果要满足SLA，模型应该做些什么样的调整。
这里再强调一次持续学习的重要性，好奇心和虚心还是很重要的。比如有的人用Spark MLlib或者XGBoost就只是简单地调用API训练出一个模型，但有的人就会研究为什么Stochastic gradient descent适合分布式训练，又或者了解XGBoost和通常的GBDT有什么区别，包括对Loss Function的定义有何特别之处，为什么用到二阶导，等等。
流程
电面
在集中精力准备了大约两三周之后，我开始了整个面试流程的第一步，电面。
电面没什么好说的，都是标准化的过程，区别是有的公司（比如LinkedIn）有一个小时，有的（Facebook，Airbnb）只有45分钟。
因为时间紧迫，而且通常只有一次机会，所以熟练度最重要。题目类型一定要马上识别出来并且给出思路，写代码的过程可以慢一点，但要和面试官说明你的意图。如果是背答案只有死路一条，稍微问个Follow up就挂了。
另外针对机器学习的职位，有的公司会问一些基本概念，所以也不能只准备coding。
我为了提高效率，把三个电面安排在了同一天下午，每个之间隔一个小时休息。这样的做法不一定适合所有人，好处是可以趁热打铁，坏处是很累而且风险很大，万一头没开好后面可能会受影响。
这里想说的是集中面试虽然很累，但也会给你很多优势，比如有的时候能够省去某些环节。有些硅谷的公司有一个规定，对于湾区以外的面试人要进行两轮电面。LinkedIn和Facebook我都是一轮电面后拿到了onsite，于是我就跟Airbnb和Salesforce的HR申请能不能免掉第二轮的电面，结果两家公司都非常爽快地同意了。
而Google作为一家大公司就更加让我惊喜了。当时我本来已经安排了除开周三的四天面试，本来准备留出周三休息一天。没想到就在前一周我接到一个陌生来电，没想到是Google的HR，问我对Google有没有兴趣。我自然是受宠若惊，表示非常有兴趣但下周没有时间，问他们能否推迟到别的公司onsite之后，HR说没问题。过了几个小时，我又接到他们的电话，说决定让我跳过电面，直接进行onsite，并且可以给我安排到周三。虽然预计到这样会很累（事后证明确实如此），可这是天上掉下来的大馅饼，我没有理由放弃，所以很高兴地答应了。
Onsite & 公司印象
五家公司虽然都是互联网/IT公司，但处于不同的领域，文化上也各有千秋。我简单说一说自己对它们的感觉。另外虽然不算是吃货，但作为民以食为天的中国人，自然也要对午饭进行一下评价。
我三年前去过Mountain Views的总部，这次面试我去的是Sunnyvale的办公室，比MV要新一些。作为专注于职场社交的公司，L家的特点是端庄、大气、职业化，内部文化也相应地非常Professional。员工的穿着都是Business casual，整体给人一种职场精英的感觉，与他们的Mission非常契合。
LinkedIn被微软收购以后少了经济压力，并且保持基本完全独立的运营，可以把重心放到更长远的目标上，同时能够与M家大量的资源进行整合，个人认为对L是件好事。作为一家专注于职业发展的公司，LinkedIn自然也把自身员工的成长放在首要位置。目前包括ads relevance、feed ranking、people you may know在内的许多组都在招人，感兴趣的同学可以尽快行动。
面试方面，每个Session是一个小时。Coding题目正常，不过ML方面难度不低，大家要做好足够的准备。但其实onsite之前HR会发一封邮件，非常详细地告诉你需要准备哪些内容：）
面试官们都很亲切，有时候会给一些适当的指引，总的来说面试过程还是相当开心的。面完了我还惊喜地发现面试官中有一位本科的师兄。
L家的食堂还是一如既往地给力，中餐、西餐、印度餐菜系齐全，菜样丰富，还搭配有很多水果、沙拉。吃完了午餐坐在Sunnyvale明媚的午后阳光中思考思考晚餐该吃什么，想来应该是一件幸福的事。
Salesforce Einstein
Einstein是Salesforce近几年主推的明星产品，拥有一个明星团队，拥有像Richard Socher这样的优秀研究员。从我了解到的情况看，由于Benioff对于团队充分放权，Einstein团队就像是公司内部的一个startup，文化也与公司别的部门不同。Einstein未来几年肯定是整个公司主推的产品，Salesforce拥有的海量数据加上公司推进AI平台的决心，可以说是前途光明。
团队主要使用Scala，Tech stack都是Akka/Play/Spark那一套，这也是最吸引我的一点。我最初接触到Einstein就是在17年4月的ScalaDays上听了Matthew以Type safety in machine learning为题的演讲，之后又在Spark Summit West上听了Leah的演讲。喜欢Scala的人一定不要错过。
面试地点是在Salesforce位于Palo Alto的办公室，是一栋三层建筑的顶楼。面试整体流程比较短，总共只有四个Session，总体侧重于Data engineering和System design。另外需要注意的是coding也是要上机跑的。面试我的人中有Prediction IO的创始人，也让我很激动。
团队氛围很轻松，吃饭的时候就像是一大家子人，互相开玩笑，VP也会坐在一起和大家胡侃。我去的那天吃得非常不错，具体什么菜记不清了，就记得摆了一大桌子，其中鱼肉很好吃。
当今业界的领头巨人，没啥好说的。最重要的印象就是大，去见我同学的时候骑车还骑了二十分钟。就我所了解到的，和Facebook相比，Google整体节奏要慢一些，会做一些比较长期的项目。如果你认为自己适合慢一点的工作节奏，那么Google会是个很棒的选择。
面试是在许多楼里的其中一栋。感觉面试官貌似都比我年轻，总体来说题目没有很难。Coding有一道题我没有给出正确解，但面试小哥说接近了。机器学习的部分感觉和L家问的内容差不太多。值得注意的是Google特别强调算法的复杂度，一定要能够清楚地分析出时间和空间复杂度，能够针对瓶颈进行优化，这一点与别的公司不同。
中午吃饭的时候人超多，排队也排了好久，最后还跟带我吃饭的伊朗大哥打了一会儿乒乓。
Airbnb
这个时间点上（2017年）当之无愧的明星公司。在Snapchat已经上市但股价低迷，Uber高层动荡的今天，Airbnb算是Unicorn里的一枝独秀，拥有非常独特的公司文化以及可能是硅谷最漂亮的办公室。由于实际上处于旅游产业，所以Airbnb能够比较顺利地进入中国市场。在核心的短租业务于欧美市场初步实现盈利但趋于饱和的情况下，也在积极地向旅游房屋租赁的上下游进行拓展，推出了新产品“体验”以及餐馆预定服务，并在高端市场进行尝试，这些都为Airbnb的前景增添了积极的因素。
与别的公司不同，Airbnb的coding面试要求上机，并且每个Session只有45分钟时间，某些题目的难度也相当大，所以压力还是不小的。System design环节还算正常，不过房间里的board很小，有点写不开。而Airbnb独树一帜的cross functional面试我觉得是最享受的，基本上就在和面试官谈人生谈理想，全程都很放松。但Airbnb的面试流程最长，环节最多，总体感觉也是最累的。
印象中午餐选项没有特别多，但是味道还不错。带我吃饭的法国小哥一听我第二天要去Facebook面试，立刻非常兴奋地告诉我他从Facebook来Airbnb的理由，并且很开心地带我到楼里几个著名景点转了转。
仍然在高速成长的巨人，在可能是硅谷最爱中国的CEO带领下铺展了全面的产品线，在社交网络领域基本上处于垄断地位，同时也在AI和VR等引领未来的领域积极投入，发展空间仍然非常广阔。从我了解的信息看，Facebook注重开放的文化，同时工作节奏快。
我的面试是在楼顶有花园的海景房Building 20，也是扎克伯格办公的地方，由于夏季水少其实看到的是一片盐碱地。旁边还有几栋正在盖的新楼，加上传闻今年两千多的名额，说明Facebook仍然处于扩张期。
Facebook的整个面试过程我自己感觉是最不好的，一方面是因为已经是第五场面试，整个人已经很疲劳了，另外可能是Facebook的规定，面试官都没有对我的答案给出特别明显的好与不好的信号，虽然我觉得自己的答案没有错，但也稍微有些拿不准自己的表现。
两场Coding还算是正常，两道题都在面试官的提醒下总共给出了两种解法，有一场还问了两道题。ML产品设计面到一半的时候已经感觉自己生病了，头疼得厉害，最后硬撑着完成了面试。出来以后感觉不太好，以为没戏了，没想到最后竟然也拿到了Offer。
谈工资
回来以后就陆陆续续地收到了几家公司的Offer，虽然心里基本上有数，但说实话听到HR祝贺的时候还是非常开心的，毕竟付出那么多努力都有了回报。
然后就是流程最后的阶段，工资谈判。这个阶段其实重要性不亚于面试，因为它直接决定了你未来几年对工作和生活的满意程度。
很多人觉得自己不擅长谈判，或者很多时候不好意思开口。我个人觉得求职实际上是在出售自己的时间，而时间对于一个人来说是唯一不可再生的资源，如果你自己都觉得你的时间不值钱，那么别人也不会觉得它值钱。
工资谈判是个很大的话题，这里我不打算深入讨论，不过这篇帖子很有帮助：https://medium.freecodecamp.org/how-not-to-bomb-your-offer-negotiation-c46bb9bc7dea
有几点我觉得值得注意：
1.保持职业风度。
2.了解你的筹码。
3.显示出你对团队和项目的兴趣。
4.保持耐心和信心。
5.态度坚定的同时要温和。
6.绝对不要撒谎。
Databricks
也许五次面试拿到五个Offer是一个比较理想的结果，但这样的结果其实始于一场失败的面试。
早在五月份的时候，我就面试过Databricks，也是我换工作面试的第一家公司。当时是Spark MLlib组的经理Xiangrui在LinkedIn上联系我，问我有没有兴趣面试他们组。我当时受宠若惊，觉得这是个绝佳的机会。第一，我自己用Spark工作，无论是Scala还是分布式机器学习算法都对我有很大吸引力。第二，Databricks的工程师实力都是业界顶级，如果有机会跟他们一起工作一定能学到很多东西。第三，Spark正在给整个业界带来变革，处于浪潮的最前沿也是一件让人非常兴奋的事。考虑了几天之后，我觉得这是个不可多得的机会，于是简单地准备了两天就开始了面试流程。
Databricks的水平要求相当高，整个过程包括两道初筛题、一次电面、一道大作业以及最后的Onsite。我的感觉是仅仅是两道初筛题难度就已经不低，应该说比其他大公司的面试更加严格。我前面的环节还比较顺利，拿到了Onsite的机会。
Databricks目前位于三藩城内，依然是早期创业公司的规模，办公室有两层楼，其中一面可以看到海湾，风景非常不错。
早晨和HR打过招呼后她就领我到了面试的房间。前面几轮我感觉还算正常，题目难度算是中间偏上，面试官也都是非常的谦和。但是下午有一轮是针对机器学习算法理论，一方面自己实力不足，另一方面准备不够充分，整个环节完全僵在那里，不知从何下手，当时就觉得自己应该拿不到Offer了。最后是和他们VP of Engineering简单聊了聊。
回芝加哥之后几天就收到了拒信，虽然也是预料之中的结果，不过还是郁闷了好几天。虽然没有机会到Databricks工作，但我相信以现在Spark在整个业界的影响力以及Databricks整个团队的实力，他们一定能创造出更大的成功。
总结
1. 人生很短，职业生涯更短。该跳的时候就要果断跳。
2. 集中面试很累，但也会给你很大优势。
3. 面试不仅仅是个找工作的过程，更是个交朋友的机会。硅谷圈子就那么大。
4. 平时有机会也要多交朋友，比如开会就是个很棒的机会。Databricks、Salesforce、Airbnb的面试机会都源于我去过的Spark Summit和Scala Days。
5. 拿到Offer仅仅代表你达到了公司的最低标准。最高标准肯定是没有的，所以时刻保持虚心和进取心。
从五月初份面试第一家公司到九月末接受Offer，终于完成了职业生涯中第一次跳槽。回过头看看，准备面试的过程还是很辛苦的，有一段时间每天晚上都是准备到一点才睡，第二天早晨又要100%投入地上班，确实对身心都是一种考验。
最终能拿到这样多的工作机会实在是很幸运，毕竟任何一家公司都是无数人的dream company。
感谢在这个过程中所有帮助过我给过我建议的朋友。感谢所有给我面试机会和Offer的公司，跟我一直联系的HR，以及每个抽出宝贵时间和我聊天的人。
最后也是最重要的，感谢一直默默支持我的家人们——看着我一步步成长的父母，全职工作、努力带娃、愿意放我一个人出去浪的妻子，还有，每天都给我暖心微笑的女儿。你们是我努力的动力。
LinkedIn：https://www.linkedin.com/in/xiaohanzeng/
Twitter：https://twitter.com/XiaohanZeng
最后给自己的小说《当我谈论算命时，我想谈的是大数据》打个广告，关注本公众号或者上果壳看连载：http://www.guokr.com/post/592618/
曽笑寒
