一个IT农民工分享互联网巨头公司面试流程

本文分享了一位IT男在新浪、腾讯、百度等互联网巨头公司的面试经历。内容涵盖云计算开发、后台开发等多个岗位的面试流程及考察重点,为IT职场人士提供宝贵的经验。

IT是一个人才日益紧缺的行业,2012年的人才需求比2011年上涨了将近2.3倍。随着人才的紧缺,IT业的薪水也是水涨船高。互联网巨头们对人才的争夺,更是日益激烈化。 对于从事IT的职场人士,绝大部门都想进入那些巨头公司。除了薪水高、办公环境好,发展更有前景外,更让人有职业自豪感。虽然人才日益缺乏,但并非 谁都可以进入互联网巨头公司的,它们的门槛都设置的较高。如果你有幸接到了这些巨头公司的面试邀请,那么一定要好好的把握,做好充足的准备。以下是一个 IT男分享他在这些巨头公司的面试经验,想要进入互联网巨头公司的IT职场人,可以了解以下巨头们的面试流程。

1. 新浪:云计算开发

1. 新浪:云计算开发

面临流程:笔试+面试+offer

笔试考察范围很广,涉及到数据结构、网络、安全、Linux常用命令、内核、算法、程序设计,以及项目管理等方面。面试就一轮,3个面试官,2个不 同部门的经理和1个hr,主要问了些项目经验,然后根据简历问了些关于内核和网络编程方面的知识,以及一些在项目中遇到的困难如何克服等等,还问了下期望 薪水以及希望户口落在哪个城市的问题。发offer前有hr电话沟通谈户口情况和期望工资,最后给的offer待遇和百度一样,但是户口不能给保证,只说 有很大的可能性(去年解决了55%),最后放弃了。

2、腾讯:后台开发

2、腾讯:后台开发

面试流程:1面+2面+hr面+实习offer

没参加笔试,直接同学推荐过去面的,前两面都是技术面,1面简单问些项目经验和自己所擅长的专业知识;2面项目问的比较深入,还有一些算法和系统架 构设计方面的问题;hr面就是简单的聊聊。暑期在腾讯实习了两个月,有导师专门负责指导,期间做了一个小项目,收获不少,与leader在留用沟通时,表 示不愿留在深圳,最后也没发正式offer。腾讯大部分都是年轻人,整体氛围比较轻松,电子化办公也很完善,弹性工作制,加班完全凭自愿,晚上8点后会有 免费的水果面包饮料,9点后的加班出租车票可以报销,整个公司以产品为主导,产品经理有很强的话语权。

3、百度:云计算研发

3、百度:云计算研发

面试流程:笔试+1面+2面+3面+offer

笔试都是大题,比较开放式,涉及比较广有线程调度、算法、语言、系统设计等,比较符合个人胃口。1面刚开始直接就写两个程序,然后问了问项目以及一 些数据结构和网络方面的知识,只记得其中有个问题是如何判断程序中堆和栈增长方向;2面是电面,主要问了些算法问题,让设计一个图片存储系统,并进行优 化,问的很细,让把主要的数据结构和调度算法都设计出来,然后根据你设计的系统提一些更高的要求并进行优化;3面是部门经理的电面,也是技术面,但也问了 些个人兴趣、性格特点等问题。比如我说喜欢玩Dota,就问我喜欢玩哪种类型的英雄(当然是根据团队需要,缺啥玩啥,哈哈),技术主要以项目为主,问的很 深,问了好多项目中涉及到细节的问题,而且问题一针见血,不得不佩服百度还是牛人多,参加的其他面试都没问过这么深入的,不过自己做的项目还是比较胸有成 竹的。3面完第二天也就是国庆前一天就收到了offer,是收到的第一个校招正式offer,今年百度全国招了快2000人,还有不少都是后面补招进来。

4、网易:C++开发

4、网易:C++开发

面试流程:笔试+技术面+hr面

笔试是选择题、填空题和大题,有关于数据库和语言方面的知识,还有些算法题;技术面主要问了些关于C++语言方面的知识和项目经验,还有个数学证明题;hr面主要了解工作意、期望薪水和offer情况等,我表示不想去杭州,后来也没发offer。

5、淘宝:系统工程师

5、淘宝:系统工程师

面试流程:笔试+1面+2面+3面

笔试包括选择题、大题、附加题和选做题,选择题都是基础知识,大题包括系统设计和算法题。3面同一天完成,通过的话会让你留下等待下一轮面面试,1 面先让讲了讲项目经验,然后问了些算法和系统设计方面的问题;2面和1面差不多,然后说了下系统工程师的具体职责,涉及面很广,有Linux内核开发、分 布式开发还有些类似于运维方面的工作,问了下自己希望从事哪方面的研发;3面是2个人,hr和技术经理吧,依然问了些技术问题,然后hr问了下工作意向 offer情况等等。

6、人民搜索:软件开发

6、人民搜索:软件开发

面试流程:笔试+面试

笔试是选择题和大题,面试都是被拉过去给面试官增加经验值的,也是以写程序为主,并且写完后要不断的去优化优化再优化。人民搜索据说加班挺多,但是待遇还是很给力,尤其是保证解决北京户口。

经历过多家巨头公司的面试,IT男做了一个小的总结,最后分享给各位IT职场人:互联网企业比较看重算法和项目经验,语言倒是其次,其实面试时问项 目经验,并不是单纯的考察你做过什么,而是看你是如何做,为什么这么做,有没有更好的解决方案,做项目时问题考虑的是否全面,是看你思维的方式,对整个计 算机系统的认识,更加看重你的发展潜力。

下载方式:https://pan.quark.cn/s/a4b39357ea24 在纺织制造领域中,纱线的品质水平对最终制成品的整体质量具有决定性作用。 鉴于消费者对于产品规格和样式要求的不断变化,纺织制造工艺的执行过程日益呈现为一种更为复杂的操作体系,进而导致对纱线质量进行预测的任务变得更加困难。 在众多预测技术中,传统的预测手段在面对多变量间相互交织的复杂关系时,往往显得力不从心。 因此,智能计算技术在预测纱线质量的应用场景中逐渐占据核心地位,其中人工神经网络凭借其卓越的非线性映射特性以及自适应学习机制,成为了众多预测方法中的一种重要选择。 在智能计算技术的范畴内,粒子群优化算法(PSO)和反向传播神经网络(BP神经网络)是两种被广泛采用的技术方案。 粒子群优化算法是一种基于群体智能理念的优化技术,它通过模拟鸟类的群体觅食行为来寻求最优解,该算法因其操作简便、执行高效以及具备优秀的全局搜索性能,在函数优化、神经网络训练等多个领域得到了普遍应用。 反向传播神经网络则是一种由多层节点构成的前馈神经网络,它通过误差反向传播的机制来实现网络权重和阈值的动态调整,从而达成学习与预测的目标。 在实际操作层面,反向传播神经网络因其架构设计简洁、实现过程便捷,因此被广泛部署于各类预测和分类任务之中。 然而,该方法也存在一些固有的局限性,例如容易陷入局部最优状态、网络收敛过程缓慢等问题。 而粒子群优化算法在参与神经网络优化时,能够显著增强神经网络的全局搜索性能并提升收敛速度,有效规避神经网络陷入局部最优的困境。 将粒子群优化算法与反向传播神经网络相结合形成的PSO-BP神经网络,通过运用粒子群优化算法对反向传播神经网络的权值和阈值进行精细化调整,能够在预测纱线断裂强度方面,显著提升预测结果的...
植物实例分割数据集 一、基础信息 数据集名称:植物实例分割数据集 图片数量: - 训练集:9,600张图片 - 验证集:913张图片 - 测试集:455张图片 总计:10,968张图片 分类类别:59个类别,对应数字标签0至58,涵盖多种植物状态或特征。 标注格式:YOLO格式,适用于实例分割任务,包含多边形标注点。 数据格式:图像文件,来源于植物图像数据库,适用于计算机视觉任务。 二、适用场景 • 农业植物监测AI系统开发:数据集支持实例分割任务,帮助构建能够自动识别植物特定区域并分类的AI模型,辅助农业专家进行精准监测和分析。 • 智能农业应用研发:集成至农业管理平台,提供实时植物状态识别功能,为作物健康管理和优化种植提供数据支持。 • 学术研究与农业创新:支持植物科学与人工智能交叉领域的研究,助力发表高水平农业AI论文。 • 农业教育与培训:数据集可用于农业院校或培训机构,作为学生学习植物图像分析和实例分割技术的重要资源。 三、数据集优势 • 精准标注与多样性:标注采用YOLO格式,确保分割区域定位精确;包含59个类别,覆盖多种植物状态,具有高度多样性。 • 数据量丰富:拥有超过10,000张图像,大规模数据支持模型充分学习和泛化。 • 任务适配性强:标注兼容主流深度学习框架(如YOLO、Mask R-CNN等),可直接用于实例分割任务,并可能扩展到目标检测或分类等任务。
室内物体实例分割数据集 一、基础信息 • 数据集名称:室内物体实例分割数据集 • 图片数量: 训练集:4923张图片 验证集:3926张图片 测试集:985张图片 总计:9834张图片 • 训练集:4923张图片 • 验证集:3926张图片 • 测试集:985张图片 • 总计:9834张图片 • 分类类别: 床 椅子 沙发 灭火器 人 盆栽植物 冰箱 桌子 垃圾桶 电视 • 床 • 椅子 • 沙发 • 灭火器 • 人 • 盆栽植物 • 冰箱 • 桌子 • 垃圾桶 • 电视 • 标注格式:YOLO格式,包含实例分割的多边形标注,适用于实例分割任务。 • 数据格式:图片为常见格式如JPEG或PNG。 二、适用场景 • 实例分割模型开发:适用于训练和评估实例分割AI模型,用于精确识别和分割室内环境中的物体,如家具、电器和人物。 • 智能家居与物联网:可集成到智能家居系统中,实现自动物体检测和场景理解,提升家居自动化水平。 • 机器人导航与交互:支持机器人在室内环境中的物体识别、避障和交互任务,增强机器人智能化应用。 • 学术研究与教育:用于计算机视觉领域实例分割算法的研究与教学,助力AI模型创新与验证。 三、数据集优势 • 类别多样性:涵盖10个常见室内物体类别,包括家具、电器、人物和日常物品,提升模型在多样化场景中的泛化能力。 • 精确标注质量:采用YOLO格式的多边形标注,确保实例分割边界的准确性,适用于精细的物体识别任务。 • 数据规模充足:提供近万张标注图片,满足模型训练、验证和测试的需求,支持稳健的AI开发。 • 任务适配性强:标注格式兼容主流深度学习框架(如YOLO系列),便于快速集成到实例分割项目中,提高开发效率。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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