大數據文摘出品
編譯：大芏、笪潔瓊、夏雅薇
失敗的面試各有各的因果，但還是有一些共性問題可以讓求職者以此為鑑，有些問題看上去不是那麼致命，但是隨著數據科學行業落地的日漸成熟，面試官對真正優秀數據科學家的甄別能力也在提高，線上培訓課程的簡單羅列或是常見項目的模式化展示已經很難打動面試官了，他們在尋找更個性的研究成果和項目經歷。在這個大家都喜歡自稱“數據科學家”的時代，請謹慎避開以下四個雷區。
避免這些錯誤不一定讓你被錄用。但是，如果不避免它們，您一定不會被錄用。
我讀過很多在SharpestMinds工作的數據科學的工作簡歷。
因為這個平臺的目的就是建立一個巨大的反饋機制，我們能夠不斷地從發佈信息的公司那裡得到反饋——不僅知道他們是否想要面試或僱傭候選人，還可以知道他們為什麼選擇面試或僱傭候選人。
數百家公司決策過程可以讓我們瞭解了優秀的簡歷是什麼樣子的，更重要的是，它們不像什麼固定類型的。
注意:每個公司都在尋找不同的東西。讓你被谷歌看中的原因，在其他公司不一定適用(甚至可能毫無意義)。因此，建立“完美”的通用數據科學簡歷是不太可行的。
但話說回來，我們已經看到了一些明顯的錯誤，會導致你基本上不會被任何公司接納:
1.在簡歷中列出你參加的公開課Udacity或Coursera
有許多大型深度學習和數據科學的在線開放課程，如Udacity、Coursera和deeplearning.ai。但是如果求職者把這方面的經歷展現出來，許多公司都會持懷疑態度。
避免以下的一些情況:
- 在你的作品集中大量羅列通過在線課程完成的一些項目。
- 把你的MOOC放在顯眼的位置，或者作為你簡歷上與數據科學相關的首要相關經歷。
為什麼它對你的工作申請起負面作用
在招聘過程中會有一些特定的偏見。公司希望能夠說他們只僱傭“非常特別的人”，或者“最優秀的前1%的申請者”，等等。由於現在有這麼多的人擁有MOOC認證，所以很容易被歸類為線上大學的畢業生，這讓你聽起來不那麼特別。
招聘人員現在已經對許多MOOCs很熟悉了，他們可以很容易識別出某些項目就是標準的在線學歷或MOOC的項目的一部分，比如交通標誌分類任務，這個項目很不錯也很有趣，但它太多簡歷都在講這個項目。要想聽起來與別的工作申請者不同，你需要關注那些沒有被很好探索過的問題。
我想在這裡明確一點:Udacity（優達）、Coursera和deeplearning.ai都是非常不錯的項目。它們也與可僱傭性和技術能力密切相關。但是把它們放在你的數據科學經驗列表的最前面——而沒有其他項目或經驗——會給那些正在尋找“the one”的招聘人員敲響警鐘。
該怎麼彌補此類問題？
一旦你完成你的課程或在線學歷，就自己動手做一些獨立的項目，參加Kaggle競賽，或者在數據科學文獻中復現相關論文的結果。
別小看這件事，因為：1）讓你看起來更獨特，2）你可以在面試中展示和討論一些更復雜的話題3）表明你有很強的自學能力。
例外
這條規則的一個例外是你在MOOC完成一些獨特的課程項目。所謂獨特性，就是你可以自由選擇您想要用的數據集，並在很大程度上獨立解決端到端的問題。因為這實際上和你一個人做一個小項目並沒有什麼不同，這會是一個亮點。
2.在簡歷中突出一些瑣碎的項目
在你個人項目中突出一些簡單概念驗證的數據庫工作會讓你的工作申請很容易被拒絕。
如果你不是很確定哪些算瑣碎的工作，以下列出的這些對你的傷害大於幫助:
- Titanic dataset上的遺留分類。
- MNIST dataset上手寫的數字分類
- 使用iris dataset對花卉的分類
為什麼它對你的工作申請起負面作用
簡歷篇幅有限。求職者和招聘人員都知道這一點。因此，如果像MNIST這樣的“訓練輪數據集”佔據了一些寶貴的空間，它會讓招聘人員對你在數據科學領域中能走多遠產生疑問。
該怎麼彌補此類問題？
如果你的簡歷中有這類項目——且如果你沒有其他更具挑戰性和實質性的項目來取代它們——這表明你需要花一些時間來構建你的代表作品。
當然，如果你有其他更有趣的項目來展示，一定要把它們替換掉。
例外
可以使用像MNIST或Titanic數據集構建複雜的工程。如果你正在研究新的GAN網絡，或者復現有趣的膠囊網絡，這樣就可以把它展現在簡歷裡面。
但請記住，大多數招聘人員都是不懂技術的，而且他們通常只通過關鍵字來來查找，所以你必須非常清楚，你的MNIST項目不僅僅是簡單的數字分類任務。
3. 缺乏版本控制/開發運維/數據庫技能
沒有數據科學家所要求的基礎技能是致命的。
這裡有一些必備的條件:
- 版本控制(例如GitHub/GitLab)
- 開發運維(如AWS/Floydhub/Digital Ocean/Flask)
- 數據庫(比如mySQL / mongoDB)
為什麼它對你的工作申請起負面作用
讓人們對數據科學感到興奮的往往是算法。可以用神經網絡或決策樹來解決問題是很有趣的。
因此，大多數人投入很多時間去提高算法能力。但是問題在於，設計模型並不等同於深度學習或數據科學。
數據科學中那些不那麼有趣的部分(設置服務器、清理數據)幾乎佔據了你作為數據科學家的大部分日常工作，所以殘酷的現實是，僅僅擅長Python/sklearn/TensorFlow/Keras/PyTorch是不夠的。
不具備這些基本的技能，很容易被招聘者拒絕掉。招聘官都有這個“變態”心理，他們更感興趣能聽到一個說“不”的理由，而不是一個說“可能”的理由。
不會GitHub ?不會mongo ?不好意思,謝謝你來面試。
該怎麼彌補此類問題？
如果你有這些技能，但你的簡歷上沒有列出，那就把它們列出來。如果您沒有任何版本控制、devops和數據庫工具的經驗，您需要獲得一些。不僅因為它在簡歷上看起來不錯，還因為它是作為數據科學家必備的技巧。
例外
如果你要申請更高級的職位，列出這些技能就不那麼重要了，因為大家都會假設你的數據科學工具經驗很多。
4.沒有從你完成的項目中學到任何東西
在你的簡歷上寫一個項目，如果你被面試，很有可能會被問到這個問題。
如果面試官問你在某項工作中學到了什麼，“沒有學到什麼”不是一個可以被接受的答案。
為什麼它對你的工作申請起負面作用
既然你花了很多時間在一個項目上，與你從中學到的東西有關的問題會告訴面試官你有多喜歡深入地思考你的問題，以及你的溝通技巧。
即便是搭建一個相當簡單的數據庫，你也應該在這個過程中有所得。所以做完一個項目說不出任何建設性思考的人，對於招聘者來說是負面信號。
該怎麼彌補此類問題？
如果你的簡歷上列出了一個項目，並且得到了面試機會，那麼你要提前準備好一些見解，將會對你的面試非常有用。
例外
沒有例外。如果你的簡歷中包含項目，那麼你真的應該認真思考你從中學到了什麼。
注意:拼寫錯誤
這個並不是專門針對數據科學的，但是當我們發現打字錯誤與面試表現之間的關係時，我們確實感到震驚。一直以來，那些簡歷上有打字錯誤的人，無論是以拼寫錯誤的形式，還是是錯誤的格式，表現都比那些簡歷沒有錯誤的差一些.
拼寫錯誤是一個很好的例子，它是一個完全無意識的錯誤，無論你的經驗水平如何，你都不應該犯這種錯誤。它會客觀上降低申請的通過率。
為什麼它對你的工作申請起負面作用
很顯然對簡歷細節的關注與對項目和技術開發細節的關注是相關的。
該怎麼彌補此類問題？
把你的簡歷拿給母語為英語的朋友審閱，尤其是細節部分。有必要的話，告訴他們，如果你被錄用了，就獎勵他們50美金，可以更好激勵他們去發現任何不合適的小問題。
閱讀更多 大數據文摘 的文章
