浅谈求职路之一

想想是时候总结一下,自己今年大半年的求职之路了。大概是从15年的3月份实习生招聘开始吧,意味着我的求职之路也开始啦。

话不多说了吧,首先讲一下找工作。最近总有人,问我。。就目前来说,对于在校生生,一般有两种途径。1。找人内推,2、校招。

1、内推

顾名思义,就是内部推荐。找一个你认识或者不认识的人,只要是在公司就职,基本就可以给你内推的。(你也得差不多吧。。)一般来说,内推的时间都比较早,比如阿里的话,3月份实习内推,8月份校招内推。有人说找不到内推的途径,我想说的是那只是你没有去努力。现在的互联网这么发达,总能找到各种资源的。想想我基本上,对于我想去的公司,都找到了内推。(PS:别问我怎么找到的。)然后就有同学问我,啊啊啊,你怎又是内推呢?我只是笑笑不语。通过内推,可以多一次进入公司的机会,而且不用笔试。(笔试一般不好做额。。)过不了,你在去第二步么。不过有点公司的内推会影响到你的校招,比如说前两天,某被攻破的邮箱公司,我那会内推失败,然后都没有给我发笔试的邮件,表示也是醉了。


2、校招

就是每年一度的校园招聘了。这个也是比较正式的招聘时间了,大家都会去。而且各个公司都会有校招的网申网址,请自己自行百度或者其他方式发现。现在的话,一般都是直接网申了,不会接受现场简历。当然有些可以霸面的另外说。你得自己记录一下每个公司什么时候网申截止,什么时候来你们那里进行宣讲会,没人会给你说的。养成一个好的习惯,那个笔记本记录一下 。然后每次的面试笔试结果,遇到的问题,都进行总结记录。


3、准备工作

然后就是准备了,每个专业需要准备的也不同,但是方向基本一致。你可以首先想想,自己想去做什么,去哪个公司的什么职位。然后去看看这个职位的要求是什么,然后对照进行复习,看书,做题。准备的越早越好喽。

然后我讲一下,作为我大信工的孩子,该准备什么。首先是,考研那几门课(虽然你不考研),数据结构,算法,计算机网络,是每个人都必须会的,当然是如果你想找到好的工作。别问我怎么看,怎复习,你自己不知道吗?然后就是根据自己的方向,复习的不一样了。如果你做前端,html(5),css(3),js这些都得熟悉吧,不敢说精通。熟悉到什么地步呢,等你做一套笔试题,或者面一次试之后,你就知道了。越厉害越好么,记得面完总结。如果你是做后台,php或者java后台。需要复习的又不一样喽,我做java后台开发。感觉,SSH首先得很熟悉,最好知道底层的运行机制,然后java基础,包括JVM,GC等等。其次就是,javaEE的基础了,Servlet,jsp,MVC,EJB等等。知道的越多越好,越深入越好。可以去了解一下,当前流行的大数据,云计算,分布式。

如果你是其他专业的孩子,额,不太清楚,可以去问问你们的学长,啊哈。如果你想转做互联网行业,也是可以的哦。

后续我会发我之前的面试和笔试经历,完全是干货,欢迎继续关注哟。

### Python 实现奈奎斯特采样定理 为了验证奈奎斯特采样定理,在Python中可以通过模拟信号及其频谱来展示该原理。下面是一个简单的例子,通过生成正弦波并对其进行欠采样适当采样的对比实验。 #### 导入必要的库 ```python import numpy as np import matplotlib.pyplot as plt from scipy.fft import fft, fftfreq ``` #### 定义参数与函数 定义一个用于创建正弦波的函数以及计算其离散傅里叶变换(DFT),以便观察频率成分。 ```python def generate_sine_wave(freq, sample_rate, duration): t = np.linspace(0, duration, int(sample_rate * duration), endpoint=False) wave = 0.7 * np.sin(2 * np.pi * freq * t) return t, wave def plot_signal_and_spectrum(time_data, signal_data, sample_rate): fig, (ax1, ax2) = plt.subplots(nrows=2, figsize=(8, 6)) # Plot the time-domain data. ax1.plot(time_data, signal_data) ax1.set_title('Time Domain Signal') ax1.set_xlabel('Time [s]') ax1.set_ylabel('Amplitude') N = len(signal_data) yf = fft(signal_data) xf = fftfreq(N, 1 / sample_rate)[:N//2] # Plot the frequency domain representation. ax2.stem(xf, 2.0/N * np.abs(yf[0:N//2]), 'b', markerfmt=" ", basefmt="-b") ax2.set_title('Frequency Domain Representation') ax2.set_xlabel('Frequency [Hz]') ax2.set_ylabel('|DFT|') plt.tight_layout() plt.show() ``` #### 应用奈奎斯特准则 按照奈奎斯特标准,最低采样率应该是最高频率分量两倍以上。这里分别尝试低于高于这个条件的情况来进行比较[^1]。 对于原始信号频率设为`original_freq = 5 Hz`: - **合适采样**:采用至少 `sample_rate >= 2 * original_freq` - **不足采样**(即混叠现象):使用小于上述值的采样率 #### 执行测试案例 ```python if __name__ == "__main__": original_freq = 5 # Original sine wave frequency in Hertz # Proper Sampling Rate according to Nyquist Theorem proper_sample_rate = 2 * original_freq * 2 # More than twice the highest frequency component t_proper, s_proper = generate_sine_wave(original_freq, proper_sample_rate, 1) # Insufficient Sampling Rate leading to aliasing effect insufficient_sample_rate = original_freq # Less than required by Nyquist criterion t_insufficent, s_insufficient = generate_sine_wave(original_freq, insufficient_sample_rate, 1) print(f"Proper Sample Rate: {proper_sample_rate} Hz") print(f"Insufficient Sample Rate causing Aliasing: {insufficient_sample_rate} Hz") plot_signal_and_spectrum(t_proper, s_proper, proper_sample_rate) plot_signal_and_spectrum(t_insufficent, s_insufficient, insufficient_sample_rate) ``` 这段代码展示了当满足奈奎斯特采样定律时可以正确恢复原始信号;而如果违反,则会出现所谓的“混淆”,使得重建后的信号失真严重。这证明了遵循奈奎斯特原则的重要性以确保能够无损地捕捉到所需的信息。
评论
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