在外企做开发的一段经历

USB3.0/3.1信号完整性分析仿真 • 1.了解USB3.0通路的互连关系,解读原理图接口电路和PCB的互连电路。对USB布线的通路及阻抗进行检查和分析。 • 2.使用USB3.0实例文件提取互连线的S参数,选择SSRX+,SSRX-,SSTX+,SSTX-,D+,D-组的互连线,使用PowerSI,Clarity,3DFEM等工具提起关键网络的S参数。提取S参数以后需要分析S参数的互连特征,对S参数的结果开展评价。 • 3.使用SYSTEM SI USB3 Compliance工程向导模型,建立USB仿真实例框架,在框架BOLCK中带入S参 阅读详情

写一些开发小片段,作为一段经历的记录吧。

曾经在一家外企体验过开发。

刚进去的时候就是各种培训,然后进入工作岗位。早有耳闻新人会被分到一些核对数据的任务,前辈们都说这个任务很枯燥。果不其然,不到一个月我就收到几张大excel表格,让检查其他表格和正式表格的数据是不是一样的,看着那些表格,顿时感觉一周都看不完。突然想到excel不是可以编程么,何不让程序帮我检查?于是在后台写了vba程序,数据检查瞬间完成。后来,我把这个检查数据的功能做成了界面,大家都可以用,省了不少人力。

不久来了一个项目,我们用的F公司的设备升级了,之前的通信方式也需要重新做。这部分是JAVA的,当时我正看《Java编程思想》这本书,有段话突然注意到了,就是java的RMI机制是不依赖于平台的,那是不是可以拿来用呢。当然我不能直接把公司的代码改成RMI,只是应该去模拟这个思想。为了更好地改进这个通信机制,我把这块业务的代码通读了一遍,晚上回家以后会写一些小的测试代码来思考。这个问题解决以后,又面临着传送图像和文本的问题,当时想把图像转成byte传送,但是它不是普通的RGB图像,而是F公司自己封装的图像格式,怎么才能把它转成byte呢。正巧在代码中看到一段调用了F公司图像转byte接口的代码,直接拿来用,这个问题被成功解决掉了,作为新人的我很有成就感。这之后领导就很放心地把一些项目给我了。
另外很感谢当时的部门领导,他对还是新人的我说不要有任何压力,也不会给我设什么截止日期,只管安心做。有了领导这番话,没有了压力的困扰,反而效率很高,可能领导看出我是比较自律的人,不需要施压吧。

有段时间我们突然收到已经上线的系统的问题,本来邮件系统会把一些事项发给指定的人,但是指定外的一些人也收到了邮件,并且最近没有再复现过!从输出的log来看,只有XX开头编号的几个邮件发给了指定外的人,到手的信息就这么多。
不能复现阻碍了一部分的调查方法,不能像复现那样直接调查问题的出处。我找到了输出编号的那段代码,进而查出邮件发送的相关代码,理出两条线,一条是发送线,一条是监视线。在查看代码的时候我发现有个参数设置的不对,但它有没有影响还不知道。于是我假设参数不对的时候在两条线中会出现什么问题,当时已经晚上9点多了,我走在公司楼下一直在思考邮件如果是批量发送的,会在什么时刻发送,为什么是XX编号之后的文件会发错。突然灵光一现,找到了它们之间的关系,马上上楼拿出纸笔开始画,倒着推,终于推出了出现这种问题的条件。找到测试部门,在测试机上再现了这种问题。抬头看天空,很亮的月亮,心情顿时舒畅了许多,也很感谢领导和周围同事们的信任。

还做了一个从零开始设计的文件同步系统,在各服务器间同步文件,就不需要担心某台服务器上传失败的时候文件不同步了。为什么这个同步系统很重要呢,因为这些服务器是在不同地方的,文件不一致会导致不同地方的人收到的信息不同步,有时候会误事。我把设计文件向上级汇报,又向客户说明了它的可行性和稳定性,得到认可和预算后开始着手做。期间也遇到了不少问题,几乎没有休息日,最后当我亲自展示这个系统的运行效果时,得到了大家的一致认可,这也是开发者最开心的事了吧。

后来公司慢慢让我带一些小团队,忙碌且充实。还送去了海外研修,开阔了视野,学会了很多东西。

要说外企忙不忙,也忙,但是时间节点不会卡得那么紧,常通宵的那种。

现在已经不在外企了,但它也算是一段历程吧。

【QT开发教程】QMatrix4x4类详解及实战应用:Qt中的4x4矩阵变换 在计算机图形学和三维图形应用中,矩阵变换是一个核心概念。Qt框架提供了QMatrix4x4类,用于处理4x4矩阵变换,帮助开发者在三维空间中进行复杂的几何计算。本文将深入探讨QMatrix4x4的功能及其在Qt应用中的实际应用。 阅读详情

相关推荐

告别编译报错!手把手教你用VS2022命令行编译curl静态库(附完整测试代码)

本文详细介绍了如何在VS2022环境下通过命令行编译curl静态库,从环境准备、编译实战到项目集成,提供了完整的避坑指南和测试代码。特别针对常见的编译报错如LNK2019等给出了具体解决方案,帮助开发者高效完成网络库的静态编译与集成。

weixin_42557803的博客 446

大数据开发岗位面试经验总结(一线、二线,独角兽,外企,外国企业)

为什么想走? 跟很多人也许不同,我不是觉得待遇不好,反而认为陌陌在互联网公司中的待遇算一股清流了:额外家属子女商业保险、总包差不多17薪、每年出国团建、加班少、工作氛围愉快,没有所谓大公司政治斗争,这些对于我毕业第一份工作已经非常满意。可我还是想离开,主要是觉得个人成长已经很缓慢,工作没有太大压力,而内心很想逃出舒适区,于是想离职的想法逐渐萌芽。 整个面试差不多持续1个半月,从刚开始懵懵懂懂准...

简单就好 2万+

STM32 CubeMX LwIP + freertOS 移植

生成代码,烧录即可ping通。这里要注意的是,要修改freertOS的任务栈大小,默认128,修改为1024,不修改就跑不起来。生产代码,下载进开发板。开发板网口与电脑网口通过网线直连,设置电脑本地网卡在同一网段。在以上无系统的cubeMX配置下继续添加freertOS。无系统LWIP协议栈设置,静态IP地址,关闭DHCP。先用裸机测试LAN8742A的网卡驱动。MCU型号:STM32F746NGH。下面进行freertOS系统移植。网卡型号:LAN8742A。系统时钟和时基定时器如下。

u011625775的博客 1373

外企外包的一些总结(前端开发-1)

目前就职于一家外企外包,做前端开发,前端主要框架是用Angularjs(Old UI)和Angular4.0(New UI),主要是解决一些Customer Issues 和一些Defects。 外企会主要用Jira来做项目的跟进和记录,就是做一些features,issues,defects的分配,跟进,讨论和记录工作,上面可以添加comments,上传截图,多人讨论和schedule Tas...

逍湘子 2525

Gelsight Sensor 重建 height-map —— 使用 DST-II 算子的快速泊松求解

Gelsight Sensor 重建 height-map —— 使用 DST-II 算子的快速泊松求解 gelsight gelsight传感器具有软弹性体的接触表面,可以精确的重建物体形状还可以从传感器的变形推断接触力和滑动. 使用 DST-II 算子的快速泊松求解 height 文章:GelSight: High-Resolution Robot Tactile Sensors for Estimating Geometry and Force 文章最后求解的方程其实是: p=∂2u∂x2+∂

qq_42236622的博客 1240

Jetson Nano(1)——笔记本电脑控制

笔记本电脑控制Jetson Nano没有显示屏如何控制Jetson Nano一、使用ssh客户端连接到Jetson Nano的命令端1.将电脑的网线口和jetson nano的网线口通过网线连接2.在控制面版中打开“更改配适器设置”3.查找jetson nano的ip地址4.利用putty链接二、远程桌面配置 没有显示屏如何控制Jetson Nano Jetson Nano相当于一个微型电脑,能快...

weixin_43619070的博客 1万+

一段关于我被外企CTO用登录注册吊打的不堪往事

最近春招开始了,有求职意向的小伙伴都要抓紧时间开始投递简历了哦~最近看到了一篇关于“被面试官吊打”的面试经历帖子,作者的笔风非常幽默、文章也很有参考价值,分享给大家,希望对正在求职的朋友有所帮助。是的,诸位没有看错,这篇文章的要讲述的并不是我吊打面试官,而是一段我被面试官吊打的陈年往事,这段痛苦的记忆在我脑海中长久不衰,也是一个我内心曾多次不愿面对的事实,各位看官可以准备好一小把瓜子,听我将这则旧事缓缓道来~

IT界那些事儿 8298

①电子产品拆解分析-暖手宝

电子产品拆解分析-暖手宝 ①按键三档调温暖手; ②长按进入氛围呼吸灯; ③安卓接口充电以及支持USB输出;

a6662580的博客 5289

小道消息 放弃了国企铁饭碗,离开了民企 996,我在外企做测试开发

前言 小道消息播客的主播艳子,因为同在2021 年度 MTSC 深圳站做志愿者而相识。艳子在聊天中得知,六月是个妥妥的斜杠青年:除了自动化测试开发这个本职工作,还是个新晋奶爸,也经营着自己的摄影公众号并佛系接单中。 除了身份多,也挺能折腾。六月本科和研究生都是计算机科学类专业,并且是在澳大利亚读的研究生。现在在外企做测试开发似乎顺理成章。其实不然,聊得多了才知道他端过国企的 “铁饭碗”,捧过民企的 “香饽饽”,一路走过还是选择了 work life balance 的外企。做测试开发之前,他更是尝试过硬

qq_60168783的博客 1274

S7-1500——(一)西门子PLC编程从入门到精通4、SCL间接寻址

学习目标是在掌握博途平台SCL编程语言的基本使用基础之上,进一步了解SCL语言环境下的间接寻址过程,初步具备编写复杂控制程序的能力;在编写plc程序过程中, 需要对plc中的数据进行访问,这就是寻址;直接寻址间接寻址;直接寻址直接寻址就是直接对数据的存储单元进行访问;根据表达方式的不同,可分为绝对寻址和符号寻址;对于plc中的标准数据存储区包括IQMTCL以及标准数据块,既可以使用绝对寻址,也可以使用符号寻址;绝对寻址在使用绝对寻址时,可以寻址的宽度包括位,字,节字,双字;

大小曲奇的博客 2120

Qt6.10 | Qt Bluetooth 蓝牙

本文介绍了QtBluetooth模块的功能和使用方法,包括蓝牙API概述、构建配置(CMake/qmake)、权限管理、平台支持(Linux/macOS特殊处理)、日志设置及许可信息。重点说明Linux平台的后端选择机制,以及macOS上的依赖限制。最后提及蓝牙聊天示例,展示RFCOMM协议通信的实现。全文提供了蓝牙开发的技术要点和注意事项。

Qt历险记,专注Qt技术,三年医疗设备研发经验,1年机器视觉研发经验,半年柔性传感研发经验。 399

外企面试类型

  外企面试类型所谓的外资公司,一般说,我分它们几类:  500强的欧美公司  500强其他国家公司  500强以外的欧美公司  500强以外的其他国家公司  假外资公司    关于假外资公司,我想说的是,那些台资、港资,甚至贴牌骗人的外资。台湾和香港本来就是中国的,外什么外?加上它们的文化实在不可恭维,所以我是不理这些公司的。    就英文测试来说,500强欧美公司和500强以外的欧美公司最

绿竹琴箫 5868

Windows 上 openclaw onboard --install-daemon 命令的安装位置和启动配置

摘要:Windows系统中,执行openclaw-cnonboard--install-daemon命令会创建计划任务OpenClawGateway,该任务在用户登录时自动运行位于%USERPROFILE%.openclaw\gateway.cmd的脚本文件来启动服务。管理方法包括通过任务计划程序或命令行(schtasks)查看/启停任务,使用openclaw gateway命令操作服务,或通过删除计划任务和脚本文件完全卸载服务。该机制确保OpenClawGateway服务随系统登录自动启动。(149字)

大坡3D软件开发 1369

说说我最近两次去外企面试的经历

刚刚看回帖的人误会,我先说一下自己的情况, 我一年工作经验,北京,做过一个5人小组的项目,项目期间担任开发组长,职责是框架和底层设计. 从2008年的4月开始,想辞去现在的工作去一家外企. 主要原因是因为现在的工作都剩下维护了,没有新项目可以做,从维护老系统中能学到的东西太少, 而且我一个好朋友来北京一年也出国了,心里真是非常着急,感觉自己的水平也不差怎么就这么没出息? 于是趁着...

windyforest的专栏 2054

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")

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。

该选国企,外企还是私企?

一般我们的企业性质大致可以分为国企,外企,和私企这几种,当然还有合资,而这几种企业的性质和环境有大不同,我个人是在国企,外企,私企都呆过,所以今天来谈一谈,大家也可以评论区留言讨论,仅以...

wgp2hpp的博客 1569

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

选择直接去外企,结果跟我预想的有点不一样。

作者:阿秀InterviewGuide大厂面试真题网站:https://top.interviewguide.cn这是阿秀的第「302」篇原创小伙伴们大家好,我是阿秀。一般来说计算机专业的出路有以下几种:互联网、国企、银行等事业编,也有相当一部分人选择转行不再从事计算机相关的专业,很多人工作一段时间后在跳槽时也会考虑外企,原因不外乎WLB、累、加班太多等因素,而某些小伙伴则选择直接一步到位,少走弯...

博客 523

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

聊聊我当年在培训学校做开发的经历

我在大厂和外企前,也在上海一家培训班干过一段时间。这个培训班现在已经倒闭了,不过话说回来,是因为资金的问题倒闭的,培训班本身的运作的还算规范。 当年的培训班和现在的培训班可比性不大,而且我也无意用一家已经倒闭的培训学校去映射当前任何一家。这里只是记录下我当时的一些经历,从中大家能了解培训学校里的一些细节。如果大家纠结于是否要上培训班,或者纠结于如何选择培训班,本文或许对大家有所帮助。 1 培训学校的大致介绍和我在里面的工作职责 我不方便透露出这个培训学校的名字,所以就大致介绍下...

hsm_computer的博客 2538

Kobe:在外企远程办公,是一种怎么样的体验?

其实那个时候出国去读书,刚开始我觉得国外的那些同学大家一起交流都挺友善的,但是后来我慢慢感觉到,真正在做项目或者说做project要去拿一个分数之类的,或者说一旦涉及到你要去跟你们partner去完成项目时,就会发现他们会觉得你是中国的,你语言上没有先天优势,你肯定是做不好,我个人感觉可能没有那么强烈,但是的确是隐隐约约能感觉到,但是他后面发现其实你做项目的时候,你真正的去做,去花了时间花了精力去做,如果你做的好的话,他们也会改变自身的看法。我刚开始的时候,我不是那种完全就是纯写代码的那种。

Mr_HelloWorldx的博客 935

我的奋斗:我在外企那些年(一)

这是IC男奋斗史的第2篇原创 关注公众号【IC男奋斗史】,让我们一起撸起袖子加油干! 今天杰哥想给大家讲讲自己近十年的职业经历,做一个全面复盘。希望我的总结与反思能够给正在看文章的你提供借鉴,能够帮你在求职或者工作过程中少走一些弯路。 外企轮岗期2013.04—2014.12 2012年下半年,我开始了研究生在校的最后一年时光,当年秋招期间我总共拿到了3个offer。 1 第1个offer是在一家央企的研究院做软件开发,面试的时候了解到这家研究院大部分的软件项目都是外包出去给供应商做的,所以主.

IC男奋斗史 646

外企英语面试测试的类型和体会

本人从事HR工作,之前对招聘工作有所接触,目前不负责招聘。   我有过面试别人的经验,同样,也有被别人面试的经历。现在一家500强美国公司工作,其间接到不少猎头推荐去欧美公司面试的通知,也去见了一些。这个不是我要讲的重点,我只想和大家分享一点关于去外企面试如何应对英语测试的部分,希望对一些朋友有帮助。 所谓的外资公司,一般说,我分它们几类:   500强的欧美公司   ...

weixin_30477797的博客 336

因IBM裁员聊一聊外企程序员如何应对

对于现今的程序员而言,这无疑是一种启示:技术潮流和行业变迁的初期,往往蕴含着巨大的机遇,抓住它,就能获得更加广阔的成长空间与丰厚的回报。程序员不仅需要不断磨砺自身技术,还应具备审时度势的眼光,善于发掘新兴领域的潜力,紧跟时代步伐,为自己的职业未来开辟一片新的天地。面对迅速变化的市场环境,程序员不能将希望寄托在某一家公司或某一项技术上,而应保持灵活的职业生涯规划,及时学习新兴技术,跳出舒适圈,走向更广阔的未来。他们在新的环境中,虽然承受着更高的工作强度,却换来了更为丰厚的回报。

程序员诚哥 896

外企的职位等级制度

外企有很多种,从世界级的跨国公司到两三个人的皮包公司都有。我只介绍我呆过的(全球2000-10000员工,年营收20-100亿美金,总部在美国的IT企业中国研发中心研发岗位)公司的职级,其他的外企/职位我觉得应该大同小异。 第一级: 初级工程师(engineer):大学本科/研究生应届毕业生,毕业后的2-3年都在这个职位上。这是个人职业生涯的初期。基本上在这个职级你不能独立完成工作,需要更

Naruto Inspire 的博客 2万+

微软面试经历和相关思考总结

整理面试题,不是让大家去只刷面试题,而是熟悉目前实际面试中常见的考察方式和知识点,做到心中有数,也可以用来自查及完善知识体系。《前端基础面试题》,《前端校招面试题精编解析大全》,《前端面试题宝典》,《前端面试题:常用算法》4、面试策略。只专心面试某一个公司,不给自己选择的余地,还是广撒网,面试很多公司,积累经验,最后还方便谈薪资选一个最好的呢?多面试几次确实会积累经验,比如在经过了微软的考验后,面试头条时算法题感觉有点太简单了。

2401_84435768的博客 1008

东家选择之惑:去外企还是小公司

<br />技术人员总是面临各种抉择,选择进入成熟的大公司如外企还是小公司就纠结着许多程序员。 近日,针对Javaeye上的一个老话题“程序员应该去外企还是创业公司”,Javaeye创始人范凯发表博文表示,“外企就是搞人和搞政治的地方,不适合在技术上有真才实学的人待”。建议“特别是有志于钻研技术的程序员,跨国公司未必是合适的选择。” 范凯以自身经历谈起: 我自己的职业轨迹就是“小公司 -> 外企 -> 上市网络公司 -> 独立咨询 -> 创业”这条路发展过来的,到现在我最怀念的还是一开始那家小公司,十几个人

eyetee的专栏 1206

我这两年提升技术的经历和感受(舒适区危机篇)

和2017年的税后收入相比,19年的税后收入预计能翻番,当然基数绝非是5万10万,毕竟17年的时候我已经达到了Java高级开发的职级。而且在这基础上,尚能做到生活工作平衡。 回想起来,作对了不少事,也走了不少弯路,所以打算用若干篇系列文记录这一过程,一方面也算个总结,另一方面也把走过的弯路写出来,希望各位朋友看了有所收获。 1 在外企舒适区,工资性价比高,但个人所掌握的技术太...

hsm_computer的博客 1842
上一篇: labelme指定输出文件夹 批量json转png --图像分割数据集准备
下一篇: ros launch文件中的pkg, type具体位置
蓝羽飞鸟
博客等级 码龄8年 1万+粉丝 727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

打赏作者

蓝羽飞鸟

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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