标签：
你想进什么公司，和你读什么计算机方向，关系不是很大。只要是理工科的学生，面对技术岗位，其实机会是差不多的。
至于你想什么职位，那显然和你的专业/方向关系较大，比如说很多大数据职位，就明确表示要求你DM/ML/NLP/IR背景，但是这也只是说这些 学生可能更有优势些，事实上，数学和统计学出身的，很多搞这个非常牛逼的。
所以，不要问选什么导师，选什么方向；也不要问我的实验室很水老板很菜我还能找到好工作吗？你要问的是：我想毕业去互联 网公司，我读研的这几年是应该打酱油呢，还是打地沟油？
想找一个好的互联网技术类、研发类工作，无非就是以下4点，你任选一点，做好了，都是有利的，哪4点？
- 语言层面
- 算法层面
- 项目层面
- 专业层面
具体分析如下：
你是想搞C++还是Java？选定一门语言后，多看一些这方面的书。
C++，不用说了，《Effective C++》，《More Effective C++》，《Inside The C++ Object Model》等等。
Java，最好能看点虚拟机相关的。尤其是Java虚拟机的内存管理。以及多线程、线程池、设计模式等。
问题来了：学C++好还是学Java好呢？语言争论每天都在发生，真的好无聊。建议按照方向和兴趣来选择，不靠谱的说：
如果是想做大型游戏开发、底层研发、系统研发、驱动研发等等，就选用C/C++。
如果是想做网站开发、网络研发、上层开发、Android开发等等，就选用Java。
顺便说一下，有空可以学学Python。
学好算法。这个有两条路，最好是并行，那就是看书和做题。
看书的话，主要有《算法导论》、《算法》（Robert Sedgewick著）、《算法竞赛入门经典》、《挑战程序设计竞赛》
找一本认真看，认真思考。证明过程可以不看，但是算法思想最好能懂，以及实现，最好能在纸张上写出来。复杂度总要知道吧？
研一的时候，我就把算法导论上的很多算法，都自己亲自coding了下。
特别复杂的数据结构，比如红黑树、B树，没空就别搞了。互联网面试一般都不要求的。
主要是排序、查找、简单DP、贪心、图算法和搜索。 根据身边同学的面试经验，二分搜索和快速排序，是面试常备了。看书的时候，如果有 时间，可以思考几个问题：
这个算法的时间空间复杂度，各是多少？如何分析？
工程实现里，都有哪些trick？如何加速？
这个算法可能用在哪些方面？有哪些应用？你比如说吧，求交集的算法，就广泛用在倒排索引、新浪微博共同关注、计算Jaccard系数等 等上。
除了看书，还有就是很重要的：刷题啦。主要有poj，zoj等。找一个网站，认真刷一些题目，踏踏实实的，别浮躁。
如果实验室比较牛，基本上忙项目就足够累死累活了；不过做了相对给力的项目，对于找工作，还是有很大帮助的。基本上不用怎么愁了。 如果老板这儿没项目呢？
如果实验室比较水，那就尽量去实习。大公司的实习经验很能给简历加分。如果老板不让你出去实习。既然实验室很水，说明自由时间 比较多，那还是可以干很多事。比如说，github上就有很多开源项目，你可以选择一两个著名的，阅读源码，然后尝试自己也参与进去。
说几个我比较感兴趣的开源项目吧：redis，spark。
你对数据挖掘很精通，你对推荐系统很熟悉。你在NIPS，SIGIR上发表论文无数；你是百度推荐大赛，阿里巴巴大数据比赛冠军常客。
也就是说，除了尝试发顶会论文，还可以参加各种比赛。本专业本领域里都有什么比赛可以参加呢？搜一下微博或者知乎，或者问下师兄师姐，不就知道了？
专业层面，可以做的东西非常多。比如，你对数据挖掘很感兴趣，那么数据挖掘中的常见模型，我们了解多少？机器学习，我们掌握到什么程度了？举个例子：
SVM和logistic regression这两种model，有什么特点？各自的适用场合？
feature selection的常用方法有哪些？为什么lasso可以作为feature selection？
Adaboosting为什么不容易over-fitting？你能不能从statistical view来解释解释？
哦，你和我说，你不是搞学术研究，你反感Learning Theory，你说你是一个工程师，那你写了多少代码？
scikit-learn，weka，以及spark，你会用哪个工具？（熟悉一种工具）
你有自己下载一些数据集跑跑实验吗？你有参加一些大数据相关的竞赛吗？（动手实验/参加比赛）
专业层面，能做的，要做的，还有很多。
哦，最好熟悉下linux的基本使用。
如果能在读研期间做到这里的一点或者几点，到时候甚至不需要翻《编程之美》或者leetcode就毫无压力啦。 最后说几点个人感受。
也就是说，你想拿一个好offer，一般只要有一两点突出，就可以了。
况且，算法的学习，也不仅仅是为了面试吧？可能是受益终身的。或者，吹牛皮装逼作为谈资，也是可以的。
也有可能比你想象的还少，为什么？
就看你有没有做到我上面说的这些了。
标签：
原文地址：http://www.cnblogs.com/1394htw/p/5482665.html
