不吹不黑,“滴滴”我是绝对不会去的——年前跑路的我如何面试?

安卓原生开发!Android面试题集2021版,附答案 正文 Android行业主要问题是初级Android太多了,会写xml和Activity的程序员太多了,初中级程序员面临很大的竞争,现状也就偏于高级开发者。越来越多的初中级Android程序员找不到满意的工作,甚至根本找不到工作!所以很多人觉得Android要凉了,甚至不惜转行,从头学其它技术。 现在的Android招聘要求,已经不是多年之前的要求了。 为什么感觉不好找工作 这个也是很多人的疑问,说投了很多简历,都没有回应,总感觉今年工作特别难找。这个在这里解释下原因: 不知道我的读者们关注经济不,我老板 阅读详情

 

背景

坐标北京,由于公司战略上的一些布局与我的职业规划背道而驰,所以我准备跑路,想着先拿完年终奖然后再悄悄投简历,等找到工作了直接跑路的心理,我觉得有必要给大家分享一下我这一段时间的经历,供大家参考学习。

在这里我还是要提前说两句,这篇文章只是我个人所经历的,并不是所有人都是这样,如有雷同,纯属巧合,如果对大家有帮助,大家可以点赞关注走一波。但是如果和您遇到的情况有所出入,您也可以在留言区发表和交流一下您的观点,小编在这里感激不尽。
为了方便大家更好的对自己的情况有一些了解,说明下,本人本科出身,3年工作经验,没有任何大厂工作经历。

Offer战况一览表

为了不泄露个人隐私,本文只会描述到公司,具体业务线不再透露,望大家能够理解。下文的offer包括了口头offer,因为会存在拒offer的情况,所以不一定都会有书面邮件offer。且这里只描述杭州大厂的offer,如杭州有赞、涂鸦等小厂不再赘述。

公司offer情况:滴滴 给了一个侮辱性offer,直接拒了,顺便说一句滴滴HR煞笔 快手 面试官和HR都非常专业,再加上期权和快上市了,进入offer决赛圈 网易 主要是太远了,网易是我职业生涯遇到最有人情味的公司,纠结了好久,拒了 百度 百度在杭州没有分公司,就是拿来练手的,没想到拿了一个很高的offer,惊到了,可惜在北京 阿里 本来想拿阿里的offer抬字节,奈何阿里的流程太慢了,不过让我惊喜的是定级超出我的预期 字节 目标offer,所有的前戏都是为了她做铺垫,心中的唯一目标

前期准备

一句话,没啥准备!本来想着找几家大厂一遍面试一遍准备,没想到啥也没准备露面就拿了几个offer,信心爆棚,然后啥也没准备就一路面下去了。leetcode没刷题,只是在牛客上刷了20题左右,主要是为了熟悉牛客的编辑器,为后面面字节准备。

但是如果大家非要做足准备的话,在这里我也分享一份由几位大佬一起收录整理的 Flutter进阶资料以及Android学习PDF+架构视频+面试文档+源码笔记 ,并且还有 高级架构技术进阶脑图、Android开发面试专题资料,高级进阶架构资料……

这些都是我闲暇时还会反复翻阅的精品资料。可以有效的帮助大家掌握知识、理解原理。当然你也可以拿去查漏补缺,提升自身的竞争力。
如果你有需要的话,可以前往 GitHub 自行查阅。

技术面试难度

字节 ≈ 快手 > 阿里 > 网易 > 百度
为啥没有滴滴?因为滴滴的技术面简直是不把程序员当人看,其实也无所谓啦,我来几个给大家感受下:

  1. 聊聊你对Chromium内核的了解
  2. 说下java class文件的结构
  3. 如果让你组织一次团建活动,你怎么处理?(对,这是滴滴技术面的问题,呵呵哒)

反正最后滴滴的定级和薪资也被压得更惨,职级比其他offer至少低了两个档次,呵呵哒。

在下也不是故意抹黑滴滴,但事实就是如此。

面经

提升简历竞争力

总结一句话就是,千万不要写千篇一律的东西,一定要让你的简历出彩!下面我写两条大家感受下

  1. 熟练掌握OkHttp、Retrofit等第三方框架
  2. 给网络框架Retrofit贡献过commit

不用我说,大家也知道第二条更有竞争力。这里不是说让大家去给Retrofit贡献代码,这里的意思是你的简历里要有核心竞争力,你和别人不一样的地方,你的简历和别人的简历放在一起,你的简历能瞬间将别人的简历压下去。当然,有大厂、国民APP的开发经验当我没说。

面试节奏

一定要条理清晰,列出你最想去的公司,然后首先面几个其他大厂,因为现在疫情期间差不多都是远程面试,所以说全国的公司都是练手的对象,你可以无脑投。等你手握几个offer,有一定信心的时候,再去投你意向的公司。
保证一定的面试节奏,把面试时间记录到日历上,防止自己忘记和时间冲突。切记,练手面试不要贪多,该拒就拒,确保自己一天面试不要超过3场,给自己留一个充足的消化时间,确保大部分面试的细节你都能掌握,已经明白面试官为什么会问这些问题就差不多了,还有一个就是远程面试,有条件的可以录音和录屏,方便面试过后去复盘。

理性面对八股文

  • Bitmap内存优化

这个只要做过APP应该都有经验吧??

  • 2. Classloader
    只要稍微接触插件化、加固、mock、AOP,这个能回答的很多吧。我自己在mock、AOP有比较多的开发经验,在回答面试官的时候,面试官连插嘴的机会都没有。PS:该摁的时候就给我摁死他,别让他有出招的动机。
  • 3. 事件分发
    用到的情况比较少,但是面试官还是会问
  • 4. Activity启动过程
    这个问题没办法,只能自己去熟悉了,因为我以前是做AOSP,也做过插件化,这个问题我倒背如流。

这里只列举了几个高频问题,意思是大家需要理性面对八股文问题,并不是说八股文没有用,而是他的使用场景你可能没有接触到,且他是一个考核人基础的典型问题。如果你项目问题回答的比较好,然后八股文回答的也不错,那说明你是有自己的了解和积累,最起码证明你是正视这个面试,准备了一番。所以大家没必要过多吐槽八股文,最起码我面了这么多大厂,基本没有遇到那种特别刁难人的八股文问题,也可能是我运气好。

灵活面对算法题

其实我没有特意去刷算法题,但是面下来,只有个别比较难的题目,没有通过所有case,这个我没有啥特别能传授给大家的技巧,可能像很多人说的那样,只能刷题吧。但是个人觉得还是需要有自己的积累和思考,不要盲目刷题。比如根据数据结构来分类刷题,如链表的题目就那么几种解法,变来变去也就那样,只要掌握核心思想,管他千变万化。

谨慎对待HR面

其实就算你前面表现再好,万一HR面栽了跟头,被压薪资了,其实也是很难受的事情。那如何让自己拿到一个满意的薪资呢?最简单的做法就是用offer抬offer。比如我现在的base比较低,是用网易和快手的offer抬字节的,拿到了一个理想的offer。所以前面提到了,先准备几个练手公司的offer,后面抬价贼方便。

祝福

最后祝福大家在新的2021年中,都能找到非常Nice的工作,泡到最好喝的茶。

 

找工作面试会遇到哪些坑(社招篇) 前言 今天,我就针对社招找工作写一篇。 (温馨提示:今天的社招篇,与上次的校招篇相比,会有一小部分内容的重合,毕竟校招和社招还是有一些共同点的。) 先简单介绍一下我的个人履历:我于2013年6月毕业于一个很普通的二本学校,2016年6月毕业于电子科技大学。从学校毕业后,我的第一份工作是在一家不大不小的公司写代码。2018年4月,我来到JD工作,继续写代码,但是换了一个方向,几乎是从零开始积累... 阅读详情

相关推荐

六年Java程序员,一路走来的辛酸泪! 【工作篇】

其实关于Kafka,能问的问题实在是太多了,扒了几天,最终筛选出44问:基础篇17问、进阶篇15问、高级篇12问,个个直戳痛点,不知道如果你不着急看答案,又能答出几个呢?若是对Kafka的知识还回忆不起来,不妨先看我手绘的知识总结脑图(xmind不能上传,文章里用的是图片版)进行整体架构的梳理梳理了知识,刷完了面试,如若你还想进一步的深入学习解读kafka以及源码,那么接下来的这份《手写“kafka”》将会是个不错的选择。Kafka入门为什么选择KafkaKafka的安装、管理和配置。

2401_84010362的博客 885

赶上滴滴招聘末班车,上岸面经!

作者:阿秀校招八股文学习网站:https://interviewguide.cn这是阿秀的第「283」篇原创小伙伴们大家好,我是阿秀。上周分享了一位学妹赶上滴滴暑期实习末班车的文章:终于,赶上暑期实习的末班车!她面的是C++/Golang开发实习岗,本文是她的面经,滴滴一共 3 面,2轮技术面 + 1轮HR面,其实严格意义来说就是 2 面,因为滴滴HR面基本不挂人,基本就走个过场。很多人以为互联网...

博客 653

别再傻傻分不清!一文讲透电子产品‘冲击’与‘碰撞’试验的区别与选用(附GB/T 2423标准解读)

本文详细解析了电子产品可靠性测试中冲击与碰撞试验的核心区别与应用场景,结合GB/T 2423标准提供实用指南。冲击测试模拟瞬时高强度事件(如跌落),而碰撞测试针对重复性力学环境(如运输颠簸)。通过参数对比和标准解读,帮助研发人员精准选择测试方案,提升产品可靠性验证效率。

weixin_42665255的博客 270

终于进大厂了,滴滴社招三面(已拿offer)

一面,项目、基础技术、算法都有 项目部分 1、业务流程 2、具体负责的部分 3、工作职责 4、碰到的问题,以及怎么解决的,每个问题展开说 技术部分 1、JVM内存模型,具体细节,结合实际说每个空间的作用 2、哪些垃圾回收算法,各个垃圾回收器分别使用什么算法 3、cms垃圾回收器具体回收过程 4、cms和g1的区别 5、讲讲你做过的sql优化经历 6、HashMap原理 7、rocketmq有哪些组件,rocketmq事务消息 8、其他问题,没有特别难的 算法部分,一道算法题 1、在source字符串中,找.

伍六七的博客 1万+

达梦7实时主备集群

达梦7实时主备配置实时主备数据环境说明配置主库配置 dm.ini配置dmmal.ini配置dmarch.ini配置dmwatcher.ini配置dmwatcher.ini以mount方式启动主库设置OGUID修改数据库为primary模式配置备库 在服务器部署过程中,通常搭建有数据库主备集群,用于防备数据库服务器产生问题影响数据正常,在此,我们分享一下在虚拟机环境中模拟搭建实时主备的数据守护模式。 在搭建环境之前,需用户确认主备DM7的数据库已安装完成,且版本一致,同时还应注意各实例所在主机的操作系统位数、

g360382的博客 1022

stata:stata软件教程(人大十八讲)(1) 第一章 stata入门

第一章 stata入门1.1 安装1.2 启用和退出1.3 打开和查看数据1.4 寻求帮助与网络资源1.5 命令示例1.6 几个环境设置1.7 复习与练习1.8 附录 注:教材为:Stata 统计分析教程 stata软件教程(人大十八讲) 中国人民大学出版社 陈传波 1.1 安装 1.2 启用和退出 1.3 打开和查看数据 1.4 寻求帮助与网络资源 1.5 命令示例 1.6 几个环境设置 1.7 复习与练习 1.8 附录 ...

qq_47805483的博客 1万+

字节跳动测试岗,3面都过了,HR告诉我这个原因被刷了...

面试时最好不要虚报工资。本来字节跳动是很想去的,几轮面试也通过了,最后没offer,自己只想到下面几个原因...

程序员二黑 2490

QT快速配置MSVC2017编译环境(3分钟极简指南)

本文提供了一份3分钟极简指南,帮助开发者快速配置QT的MSVC2017编译环境。通过断网安装、精准勾选组件和配置QT Creator编译器路径等步骤,大幅提升QT开发效率。MSVC2017作为Windows平台高性能C++编译器,特别适合处理大型QT项目,编译速度优势明显。

weixin_30399821的博客 507

双非渣渣的上岸之路!备战60天,三战滴滴侥幸收获Offer

渣本双非,备战了2个月,滴滴面试成功上岸!分享一波我的面试经历,同时在文末分享了我为金九银十准备的备战资源库,包含了源码笔记类,大厂面试真题,跳槽解析,简历解析,项目实战源码+笔记+工具,有需要的可以直接转发本文后,文章末尾有免费领取方式。 滴滴一面:35min 自我介绍 手写冒泡排序 介绍Java线程池 线程池的流程 为什么要用线程池 有哪些常用的线程池,各自的应用场景是什么样的 频繁创建销毁线程会消耗哪些资源 线程同步的方式 synchronized锁升级过程 My..

架构大数据双料架构师的博客 419

Flutter加载本地HTML的优雅解决方案:轻松实现富文本展示

通过以上步骤,我们实现了Flutter加载本地HTML的完整流程,并简单介绍了如何通过WebView与HTML页面进行交互。HTML文件作为一种灵活、易维护的富文本展示方式,能有效提升Flutter应用的内容呈现能力。这种方法在展示新闻、资讯或帮助文档等内容时非常有用,能够让开发者灵活调整内容的样式和排版。希望这篇文章能对你在Flutter开发中的HTML加载有所帮助!

四楼没电梯的专栏 3649

Windows环境下pcl点云库 安装配置全流程(精简、有效)

本文为Windows配置点云库pcl步骤,具体是win10、visual studio 2017、pcl1.11.1。

zaibeijixing的专栏 1万+

滴滴管培三面+终面面经

趁着没忘光,更新下,滴滴每轮面试都间隔一周,还是很漫长的面试经历 滴滴三面和终面都会问到对职位的理解,大家准备的时候多考虑一下,滴滴是很注重是否职位匹配。 三面:总监面 形式:视频面试 对象:快捷出行总监 问题: 首先自我介绍 面试官比较关注与职位相匹配的经历,针对我在中化的实习经历,问了数据分析处理的问题,包括数据分析过程,如何看待数据,你觉得你的问卷调查有哪些问题,出现异常的情况...

芦金宇的专栏 6135

Jetson AGX Orin平台Jetpack5升级Jetpack6,自研载板USB不工作问题调试

1. 问题描述将AGX Orin工业的新板放到定制的载板上当在ubuntu 22和Jetpack 6.1上使用SDKManager刷机时,lsusb为空,并且在引导时没有发现/注册xusb设备。USB C端口正常打开并供电,但似乎没有数据传输。在Ubuntu 18 Jetpack 5.1.4 SDKManager上同样刷机之后,usb C集线器在引导时被正确地发现,显示在lsusb中,并识别/挂载外部驱动器。

jzwjzw19900922的博客 1512

不吹不黑,“滴滴”我是绝对不会去的——年前跑路的我如何面试

切记,练手面试不要贪多,该拒就拒,确保自己一天面试不要超过3场,给自己留一个充足的消化时间,确保大部分面试的细节你都能掌握,已经明白面试官为什么会问这些问题就差不多了,还有一个就是远程面试,有条件的可以录音和录屏,方便面试过后去复盘。这里不是说让大家去给Retrofit贡献代码,这里的意思是你的简历里要有核心竞争力,你和别人不一样的地方,你的简历和别人的简历放在一起,你的简历能瞬间将别人的简历压下去。下面我写两条大家感受下。当你有了学习线路,学习哪些内容,也知道以后的路怎么走了,理论看多了总要实践的。

2401_84103616的博客 1071

无法将“choco”项识别为 cmdlet、函数、脚本文件或可运行程序的名称的解决方案

本文主要介绍了无法将“choco”项识别为 cmdlet、函数、脚本文件或可运行程序的名称的解决方案,希望能对使用wIndows的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 12万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

不吹不黑,“滴滴”我是绝对不会去的——年前跑路的我如何面试(1)

切记,练手面试不要贪多,该拒就拒,确保自己一天面试不要超过3场,给自己留一个充足的消化时间,确保大部分面试的细节你都能掌握,已经明白面试官为什么会问这些问题就差不多了,还有一个就是远程面试,有条件的可以录音和录屏,方便面试过后去复盘。这里不是说让大家去给Retrofit贡献代码,这里的意思是你的简历里要有核心竞争力,你和别人不一样的地方,你的简历和别人的简历放在一起,你的简历能瞬间将别人的简历压下去。下面我写两条大家感受下。当你有了学习线路,学习哪些内容,也知道以后的路怎么走了,理论看多了总要实践的。

2401_84103616的博客 1021

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

不吹不黑,“滴滴”我是绝对不会去的——年前跑路的我如何面试?(1)

切记,练手面试不要贪多,该拒就拒,确保自己一天面试不要超过3场,给自己留一个充足的消化时间,确保大部分面试的细节你都能掌握,已经明白面试官为什么会问这些问题就差不多了,还有一个就是远程面试,有条件的可以录音和录屏,方便面试过后去复盘。这里不是说让大家去给Retrofit贡献代码,这里的意思是你的简历里要有核心竞争力,你和别人不一样的地方,你的简历和别人的简历放在一起,你的简历能瞬间将别人的简历压下去。这个问题没办法,只能自己去熟悉了,因为我以前是做AOSP,也做过插件化,这个问题我倒背如流。

2301_79098336的博客 940

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

面经八股高效刷题法:从背了忘到从容应对技术面试

技术面试中常被提及的“八股文”,并非死记硬背的负担,而是行业高频知识点与基础功底的集合。理解其背后的原理,掌握面试官考察的三种动机,才能真正将知识转化为面试优势。面对海量面经与Java、JVM、数据库等高频考点,需要有一套系统化的整理与复习方法:通过“问题-答案-追问-关联”搭建知识树,用Anki间隔重复对抗遗忘,再以模拟面试强化临场表达。这套方法论不仅能应对校招、跳槽中的算法题与手撕代码环节,也能帮助开发者把面试准备沉淀为长期技术资产,让刷八股成为提升工程实践与基础原理相互印证的有效路径。

weixin_34242509的博客 827

AI面试辅助工具怎么选?五维度选型框架帮你避开陷阱

在人工智能技术快速渗透职场的当下,AI面试辅助工具正成为求职者提升面试表现的重要助手。其核心原理依托于大模型的自然语言理解与生成能力,通过模拟面试、实时反馈和个性化建议,帮助用户优化表达、查漏补缺。这类工具的技术价值不仅体现在效率提升,更在于将面试准备从经验驱动转向数据驱动。在实际应用中,无论是应届生初入职场,还是资深从业者跳槽晋升,均能借助其进行针对性训练。然而,市面产品良莠不齐,如何从功能覆盖、技术底座、数据安全等维度科学选型,成为决定使用效果的关键。本文提出一套五维度选型框架,助你在信息过载中快速锁定

weixin_34242509的博客 356

2024年春招Android面试题,全网首发

如果你看到了这里,觉得文章写得不错就给个赞呗?如果你觉得那里值得改进的,请给我留言。一定会认真查询,修正不足。**最后文末放上一个福利:[GitHub地址](https://bbs.youkuaiyun.com/topics/6点击领取完整开源项目《安卓学习笔记总结+最新移动架构视频+大厂安卓面试真题+项目实战源码讲义》PS:我GitHub中有大量高阶Android学习视频资料和面试资料包~**PS:我GitHub中有大量高阶Android学习视频资料和面试资料包~欢迎大家一起交流讨论啊~

m0_60707708的博客 481

不是吧,大学生真的不知道利用寒假时间实习啊!实习的含金量远高于绩点啊,这个时机一定要把握!

我今年暑假就是从安徽跑到深圳,实习一个月工资都不够花的,还倒贴了3500,真的不划算,除非你是真的很想去那个公司,要不然还是考虑上面的方式吧。首先得明确自己找实习的目的。我一直都在强调实习的含金量直接可以吊打绩点,公司在招人的时候,你的大学成绩是重要,但你的经历才是人家最最最关注的东西。它会帮你去看清楚你的工作能力也会让你的目标更加的清晰,不过如果你现在还在迷茫也没关系,学姐会做你的引路人,一起加油!后续实习多久也不是HR能决定的,实习生体验好可能多留,体验差就离职,都不可控,所以很多都是走一步看一步。

实事求是,追求技术,精益求精~将至而立之年,不忘年少初心! 2302

Java最新六年Java程序员,一路走来的辛酸泪! 【工作篇】,java秒杀系统面试题

作为过来人,小编是整理了很多进阶架构视频资料、面试文档以及PDF的学习资料,针对上面一套系统大纲小编也有对应的相关进阶架构视频资料本文已被CODING开源项目:【一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】收录需要这份系统化的资料的朋友,可以点击这里获取还有一点,请一定要爱惜自己的身体,多做运动不要一直盯着电脑。活是干不完的,但身体是自己的。我第一份工作,税前1800,单位是元。没错,只够我租个房子和吃饭。所以,我干了三个月就跑路了。

2301_82242675的博客 647

「提离职」算正确的加薪姿势么?

前途比现金重要,公司带给你的成长,才是你最宝贵的财富。            —— 题记 写在前面 大家周末愉快,完全没想到上一篇白话文 我为什么想离职?看起来还挺受欢迎,虽然写的不好,真的不好,哈哈,不过我会好好努力提升自己的文笔的,争取给大家带来赏心悦目的文字分享。 怎么最近都没写纯技术文章了? 这个问题,很多人问我,统一再次回复: 个人慢慢觉得技术在 Blog 网站学习可能更佳有效,因...

weixin_33861800的博客 223
上一篇: 那天有人问我,Android 的事件到底是怎么来的?
下一篇: Kotlin 插件的落幕,ViewBinding 的崛起
懂你的大海
博客等级 码龄6年 9049粉丝 1381原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值