Uber-23 Data Scientist summer intern F同学：
Stanford University / 哥伦比亚大学
专业：未公开
有经验求职
目标地区：美国；方向：数据 / AI
核心支持
F同学本身Graduate School是DS专业，进入项目后重点提升方是提升自己的广度，所以放在了Modeling 的经历、…
申请推进路径
- 111月
Apply, 没有 OA
- 211月底
HR通知约时间，然后约 了一轮面试1h，面试开始主要是10分钟自我介绍+简历，然后考SQL，medium难度，然后需要和面试官沟通怎么写，follow up包括如何优化自己的query。另外考了Product case: How to reduce drowsy driver
- 312月初
第二轮面试，一共面了90分钟。Manager会很详细的go through resume,对对口实习经历和Project经历过的很细。然后依然考Product case:自己选一个uber产品的feature和面试官讨论，Case的讨论主要集中在metrics，一个feature有哪些是最重要的metrics,做什么统计实验检验，这里涉及stats基础知识。
- 412月底
HR电话及Email收到offer通知 01 02 F同学： 03
- 59月
Apply-收到email约phone Interview 电面：纯BQ,包括Why Microsoft，Why DAS, Why you? 基于projects，聊了常见的when problems，和具体的Projects涉及哪些技术环节，电话很流畅，也比较正常。结束后做了个survey～
- 610月
Final round, 总共四轮Back to Back。 第一轮：聊background和project walkthrough ,然后基于project经历深挖了ML的知识点，包括: 不同ML里面Ground Truth的不同，自己项目经历里面用的ML算法，然后里面的好处和不足等。最后介绍了Microsoft的ds team,和他们组具体在做什么。第二轮：技术面继续聊project, 然后考了一道ML Case：预测用户是否喜欢产品，你会用什么ML模型研究数据，怎么“处理”数据，follow up里面涉及decision tree，K-means clustering等ml常见知识点。第三轮：技术面除了简单BQ外，主要考了一道Microsoft Product case, 包括选择features, 选择metrics, 做实验，统计分析。第四轮：技术面上来围绕abtest考了一些统计concepts题，然后考了一道coins coding题,不是很难。然后又考bq：a time you worked with a difficult team、a time you managed to achieve your goal.
遇到的困难
F同学本科和硕士学校都很好，有不错的Intern/Project Experiences, 但之前的项目经验更更偏向 Analysis, 而缺乏Modeling内容的内容。
投的很多岗位，包括Uber都涉及建立模型解决实际问题的面试内容。
拿到offer后，出现了工作要求入职时间早于学期结束时间,以及多份offer选择的相关困扰～
蒸汽提供的帮助
F同学本身Graduate School是DS专业，进入项目后重点提升方是提升自己的广度，所以放在了Modeling 的经历、能力及Presentation Structure上。
在Resume很好的情况下，同学及时在大环境不好的情况下，拿到面试和offer还是比较顺利的。
最终在比较offer时，和不同行业的Mentor沟通，了解了不同公司的实际工作内容，未来发展方向，以及Return offer的culture，最终决定接下uber-DS Intern的offer, 因为觉得Uber的role更加full-stack一些。
同时友情建议，关于CPT的政策问题具体每个学校的政策会有不同，在不确定的时候最好向校ISSS确认具体要求。
想把你的背景也拆成一条可执行路径
案例能帮助你判断方向，但真正的差异还在于时间线、简历深度、签证窗口和岗位策略。扫码咨询后，我们会结合你的背景给出更贴近现实的判断。
顾问会先帮你看清下一步
添加后发送你的地区、学校、目标岗位，我们会尽快给你更具体的路径建议。