iT邦幫忙

2024 iThome 鐵人賽

DAY 19
0

上一篇提到 Offer 率的評估方式與優化方向,這篇專注在如何提升的實作細節。我們提到在面試時主要會有三種問題:自我介紹技術考題與 BQ。

我們先來看在技術測驗我們主要會評估內容:包括:

  1. 技術能力:有沒有解開目標考題、或解開的程度(如 Test Case 80% 通過)。
  2. 遇到問題的反應:我們不期待你超強一定每題都能解開,但我們看重如果遇到未知/不會的挑戰時,你會怎麼處理。
  3. 過程中的溝通:是能清晰講出自己的思路、與面試官溝通並要更多資料與釐清等。

上述三者在大部分技術職位都適用。而回到本系列文章的主題,會專注以軟體工程師舉例。我們可以說評估項目的前兩者要優化,基本上刷體挺夠;第三項則更多是透過模擬面試來練習與得到反饋。

刷題

刷題應該常聽到,指的大多練習是 LeetCode 上的 Coding 題目。題目種類與難度多元,考一題能同時測演算法、邏輯清晰度、程式碼撰寫與資料結構等。

為什麼要練刷題?

因為那是目前大型公司主要採取的考試方式。自己在面 Google、Amazon 時考的都以刷題為主。因為那是目前大型公司主要採取的考試方式。我在面 Google、Amazon 時考的都以刷題為主,儘管有越來越多公司不考刷題了 [ref: poteto/hiring-without-whiteboard],但主流大公司仍是以考這種為主。其主要原因之一是,評估方式比較統一,像是我們團隊要招人時,可以相信其他面試官所做的評估,而不是問個開放式問題然後每個人評分方式不同。

另外還有原因是範圍更明確,比起練習前一百題常見的 JS 面試題,多是難以衡量判斷依據與好壞。刷題則是有沒有過一翻兩瞪眼,您使用的方式與有沒有通過全部的測試條件都一目瞭然。

刷題的準備方向

關鍵問題是:你現在需要補哪個類型的題目?如果您現在有目標公司,請先從目標公司的考古題攻略起。像是大公司有常見的考題 list,LeetCode 上找得到,我自己是建議從常見的各類型題目補起,先從 Easy 都攻略後再往 Medium 與 Hard。先建立信心,才不會刷到厭世。

更明確來說,可以從常見的考題 list 抓。我自己後期是用 Google 的面試資料,我可是從 Recruiter 那邊直接拿到的(炫耀下)。

https://ithelp.ithome.com.tw/upload/images/20241003/20140087CArpLoUv1K.jpg

好拉進入正題,這是他給我的資源,我自己是從這練習 Data Structure 和 Algorithm 的:https://techdevguide.withgoogle.com/paths/data-structures-and-algorithms/ 我自己建議也可以從這份開始 Hack。可以看到他有列出主要幾個它覺得重要的 Data Structure 和 Algorithm 那些。

https://ithelp.ithome.com.tw/upload/images/20241003/20140087qba86a5ATH.png

您可以從這些清單中看到評估自己對每個知識點的熟悉度,一樣可以分成紅綠燈。

綠:精通
黃:還行,面試可
紅:都不熟

刷題的優化方式

選好題目後,通常會建議在刷題時紀錄——

  1. 你現在哪種類型的題目需要優先練習?從要面試的公司、抑或是你最弱的項目。明確來說會是
  • 30 分鐘內無法回答完的 Easy 類型
  • 30 分鐘內無法簡單理出頭緒的 Medium 或 類型
  1. 每次刷題的花費時間、題目類型、結果與備註
項目 類型 花費時間 結果
演算法題 Binary Tree 40 分鐘 未完成
系統設計 分布式系統架構 1 小時 部分成功
  • 題目類型:你在做什麼類型的題目?是考哪種資料結構或演算法
  • 花費時間:我主要會看是不是在三十分鐘內搞定,如果 Easy 沒有或 Medium 進度差很多,就會問當時發生了什麼事
  • 結果:有沒有解出來?有沒有沒有過的 Test Cases?
  • 備註:你有做什麼研究與覆盤

通常我會請 Mentees 分享這些數據給我,就可以很好的分析接下來要往哪準備

考的不是刷題怎麼辦?

在面試時,還真有公司不考刷題的。通常會稱呼這叫 Unstructured Interview 表示問題比較不按牌理,範圍會更難抓。

小結

如何優化技術問題的回應是關鍵的一環。釐清自己現在的狀態並使用適合的方式紀錄與往前,能讓您往前走,拿到理想的 Offer。

如果你有任何問題或需要進一步的建議,歡迎加入我們的社群,與更多志同道合的夥伴一起交流!


上一篇
該花多少時間準備面試、該刷多少題?考慮投入時間與投資報酬率的計算法(Offer 率)
系列文
量化求職法:用關鍵數據追蹤並優化求職策略,提升跨國求職成功率19
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言