【跳槽宝典】第二期 | 如何高效准备面试

本文为求职者提供了全面的面试指南,包括职业选择的横向与纵向考量、自我介绍的技巧、STAR法则、离职原因回答范例、面试禁忌以及如何应对HR提问。同时,强调了面试时的诚信、积极和影响力的重要性,并推荐了相关求职应用。

前言

2021年的金三银四马上就要到了,所以在这里给同学们写了一份满满的干货系列,希望能给需要的同学一些帮助。记得点赞、关注哦

职业横向选择:

​ 是否能胜任该份工作、薪资福利是否满意、职业发展方向是否一致、公司文化是否认 可、是否能够融入团队

职业纵向选择:

​ 薪酬、兴趣、职级、平台、汇报对象、可持续发展空间

职业发展空间:

​ 公司有没有培训或者学习的东西,给你很多钱也不要去

自我介绍:

​ 自我介绍的标准答案(不建议特别多,几句话搞定就可以了,否则HR会认为你是背出 来的)

​ 有工作经验的人:学历背景+工作背景+岗位经验+一点点对新岗位的期待

​ "你好,我是班得瑞,毕业于东北大学计算机应用专业,曾先后任职于xx公司,目前就 职于xx公

​ 司,主要担任xx职位,负责xx工作,参与过xx项目。我通过boss途径了解到贵公司在 找xx岗

​ 位,很感兴趣,所以希望能有机会进一步了解"

职位了解:

​ 了解该职位是新增还是替补?如果是替补,上个人的离职原因是什么

star自我介绍法,比如你遇到过什么困难?怎么解决的?

​ S:当时的背景情况如何

​ T:你的期望目标是什么

​ A:你当时是怎么做的

​ R:效果如何

你最大的缺点是什么

​ 说跟工作关系不大,但已经在着手改善

​ 为了顺应时代的发展,学历,学习都可以说

跳槽频繁的原因是什么

​ 虽然我这两段工作经历比较频繁,但是您看我之前我呆的很稳定

​ 当时因为一些客观的原因,没有把握好

​ 如果实在圆不上,就实话实说

面试禁忌

​ 简历不要夸大或数据不实

​ 不要带着跟班来面试,不要带着任何朋友来

​ 不要一问三不知

​ 不要拒绝做基础性工作,只想改变世界

​ 不要惜字如金,回答的就像 ”挤牙膏“

​ 不要制造自己很抢手的假象

​ 不要对老东家有负面评价,都过去了

​ 不要只提问薪资和加班

注意事项

​ 靠谱。时间观念强,从不迟到,不讲大话,答应的事情不一定能做成功,但一定要有 反馈,值得信赖

​ 积极,性格方面进取心强,积极向上,不抱怨

​ 影响力,能够用自己的态度去感染周围的人,让大家乐于接受,愿意支持

HR常见提问回答案例

你从上家公司离职的原因是什么?

不要回答老东家的不好!即使有抱怨也不要说

答1:公司的业务在发展上遇到了瓶颈、所以这边在看看新的机会

答2:深入B2B2C方向多年,但目前所在的公司业务方向发生了改变,与我所期望的方向不符。所以选择了离职

你的缺点是什么?

千万不要回答没有缺点!!!

答:在项目开发过程中,我虽然对Spring框架使用熟练,但对其原理还不太了解,所以最近也是在看《深入理解Spring》这本书来完善我的不足。

你的优点是什么?

答:(必须真实经历)在之前我的公司也是B2B2C方向,所以对B2B2C的业务及开发流程很熟悉,可以在短时间内熟悉贵公司的业务。

你为什么选择我们?

答:在来面试之前,我对贵公司进行了一个全面了解,比较符合自己的职业方向,所以在Boss上投递了简历。(寻找你们的相同点)

你的期望薪资是多少?

答:如果你不清楚面试公司的福利。不要直接回答自己想要的薪资。如果清楚公司的福利,结合自己的条件,开出一个合理的价格。

但价格不要过于离谱,可能会直接被Pass。

最后

给大家推荐一些比较靠谱的App,也是作者在找工作时经常用到的

IT橘子:查看公司及融资信息,36氪:查看公司内部情况,拉钩、看准:查看公司面试评价

欢迎各位同学的点赞、收藏、评论

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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