找工作(1)——微软

MIPI D-PHYv2.5笔记(11) -- 高速时钟传输(High-Speed Clock Transmission) 在High-Speed模式中,Clock Lane提供了一个低摆幅(low-swing)、差分DDR时钟信号,此信号从Master到Slave,用于为高速数据传输提供时钟信号。时钟信号关于Forward Direction中的Data Lane上的位切换序列(toggling bit sequence)有正交相位,并且在一次burst的第一个被传输的bit的中心点有一个上升沿。 阅读详情
 序:
毕业意味着失业。大规模的研究生扩招终于在数量上实现了我国科技教育兴国的理想。至于产生的别的问题已经不是教育部关心的了。不过,由于所学专业(计算机)比较热门,所在的学校也还可以,所以呢,还不至于沦落到社会的最底层。因此,只是这个找工作的过程漫长一些罢了。但是这又未尝不是一种经历、一种财富。同时也是走向社会的第一步吧。各种辛酸也只有过来人能够体会。为此,在这看不见硝烟的战场落幕之时回忆一下,既为感慨,也为后来人提供一些帮助吧。由于面试的公司比较多,所以按公司分别列出。今天是第一篇,当然来一个稍微牛逼点的公司——微软。

微软的招聘可以是声势浩大,其招聘地域之广泛、持续时间之长、流程之复杂都是难得一见的。首先是全国性的多场笔试(当然只能参加一场),然后对高校多的地方(如西安)还会采取特别的小型笔试。当然笔试的题型都差不多,题目是不一样的。之后就是面试,面试通常都有4-5轮。最后就是发通知了,有的时候快有的时候慢,不知道跟他们的心情是否有关。反正我最后是收到感谢信了。

笔试题型主要是选择题(包括单选和多选)、程序设计题、测试题、系统设计题之类的。具体说来,
选择题:要记住选错扣分,其主要考察的范围有C++/C、数据库、操作系统、数据结构等计算机基础知识。我记得有几个题:     (1)char a[]="abcdef"是存储在哪的?(答案:静态数据段区)。
     (2)char a[]="abcdefg", char *pa="abcdefg",问32bit机器上sizeof(a), sizeof(pa), strlen(a), strlen(pa)值分别是多少。(答案:8,4,7,7)。
     (3)关于http协议的一些东西,什么是多核之类的,常见的排序算法的复杂度和稳定性,还有SQL语句方面的东西。
程序设计题:考察编程和算法能力。当时的题目好像是实现一个类似于word中的单词检查功能呢个,主要就是实现一个字典。然后是字典中的查找、删除之类的操作。
测试:测试题目考察是写测试用例的能力。题目是测试一款新型汽车的轮胎,让写出测试用例。关键在于能够按照题目要求来进行测试用例编写。题干中会提到该车的销售地域、行驶环境等情形,当然轮胎就要能适应各种环境了。测试用例写得越多越全越好。
系统设计:要求设计一个电子宠物之类的系统吧(记不太清楚了)。要求写出功能需求、并画出设计图。

笔试内容大概就是这些,内容很广泛,没有平时的准备临时连佛脚都找不到。

笔试之后,就会安排面试。首先应该是电面吧(如果有人刚好到你学校去了,也会直接面对面地面试),然后合格了就通知去微软公司面试。当然注意了,这里的面试倾向用英语面试,你不用太担心英语,但是至少你要有基本的听说能力,否则的话……我一个同学就是直接说中文,哈哈,后来被面试官说:“your hardware is good, but software need improve.”他当时被问到“如何查找树中两个节点的最近父节点”,“大量单词当中,如何有效查找到某一个单词”。其中第一个问题比较容易,不过要写代码。第二个问题实际上可以用trie来做的,而不是用hash。我是电面的,过程与他完全不同,一共两面。第一面是英语面试,如自我介绍,项目经历以及一些简单的C++/C和Java(不知道怎么会问java的东西,可能是我多数项目都是跟java相关的)。第二面是中文的,问了一些C++的东西,如构造函数相关的,虚拟函数等基本知识。每次电面大概都是45分钟。通过之后就是去微软公司面试。微软还是牛逼些的,往返费用是报销的,不像SAP居然自费。

在微软公司的面试我进行了四轮,全部用英语。
第一轮,简单自我介绍,然后就是“咱们做个题目吧”。“一个单向线性链表,不知道长度,如何从中以相同的概率选出k项”,另一个题目是“在excel的列中都是用字母来表示列号的,如第一列是A,第26列是Z,第27列是AA……,第52列是AZ,依次类推,给定一个整数表示列号,输出对应的字符串”。每个题目要求写出程序和测试用例。第二个简单,第一个不知道做,后来一个朋友告诉我了。设链表长度为n,那么每个项被选中的概率是k/n(k>n时为1)。考虑,如果长度加1,即n+1,那么每个项被选中的概率应该是k/(n+1)。假设前n项中每项被选中的概率为
k/n,这个时候我们以k/(n+1)的概率来选择第n+1项,那么这项被选中的概率就是k/(n+1),并且将这一项替换被选中的k项中任一项(概率为1/k),这个时候前n项的任意一项p被选中的情形又分两种:(1)第n+1项没有选中,其概率为1-k/(n+1);(2)第n+1项选中,但是p没有被替换,概率为k/(n+1) × (1-1/k)。(1)、(2)相加得到n/(n+1),又知 前n项中选k项过程中,任意一项选中的概率为k/n,所以在对第n+1项进行操作之后,前n项中任一项被选中的概率为(k/n) * (n/(n+1)) = k/(n+1)。利用递归的思想可以得到算法。

第二轮是个老外,问了两个简单的题目,给定一堆单词,计算每个单词出现的次数。另一个题目是二分查找树中如何增加一个节点。

第三轮是给定单词串,将其反转。如“welcome to MS”反转结果为“MS to welcome”。更进一步,如果对于单引号引起来的字符串看作一个单词,如何做。如“welcome 'to MS' ”反转为“ ‘to MS’ welcome”。

第四轮是考察测试,只要写出测试用例。首先测试正则表达式中的*和?的功能。然后测试微波炉,最后测试windows登录窗口。

总结就是,微软的题目没有太复杂的,当然第一个面试题比较难想到。不过需要有扎实的编程功底,其次考虑问题要全面,所以他比较重视测试用例。

<script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script>
【MATLAB】嵌入式PID控制参数整定与优化 本文提出了一种基于MATLAB仿真的嵌入式PID参数优化方法,解决了传统人工试凑法效率低、适应性差的问题。通过建立一阶滞后被控对象模型,对比分析了不同PID参数组合的性能表现,筛选出最优参数。仿真结果表明,优化后的PID参数能有效降低超调量(从传统方法的显著超调降至接近0%),缩短调节时间,提高稳态精度。最终将优化算法部署到STM32平台,实现了"仿真整定-参数优化-嵌入式落地"的完整开发流程。该方法显著提升了嵌入式系统的响应速度和控制精度,为工业控制应用提供了标准化解决方案。 阅读详情

相关推荐

stm32驱动NRF24L01_原理+代码解析

NRF24L01是NORDIC公司生产的一款无线通信通信芯片,采用FSK 调制,集成NORDIC自家的Enhanced Short Burst协议。可以实现点对点或是1对6的无线通信。无线通信速度最高可达到2Mbps。①2.4G全球开放的ISM频段,免许可证使用。②最高工作速率2Mbps,高校的GFSK调制,抗干扰能力强。③126个可选的频道,满足多点通信和调频通信的需要。④内置CRC检错和点对多点的通信地址控制。⑤可设置自动应答,确保数据可靠传输。//NRF24L01寄存器操作命令。

zyc18700766982的博客 2万+

微软fte_在微软(Microsoft)工作是怎样一番体验?

海淀区丹棱街5号, 贴图两张 :)关于图片:左边那张摄于某天中午外出吃饭归来,早上刚下过雨,难得的好天气,最喜欢大楼外墙上沉稳的门牌"No. 5 Danling St."右边那张摄于二号楼9层吧台,某次开会出来,和同事继续在吧台讨论问题时注意到原来每天都会有阿姨换鲜花大厦里的设施:健身房,好久没去了;洗衣店,良心价格;浴室,有时候早上跑步去公司会去冲个澡;图书馆,没进去过;吃饭:三楼食堂,混个温饱...

weixin_39849239的博客 972

CocosCreator 面试题(十五)Cocos Creator如何内置protobuf JS版本?

接着,它创建了一个 Player 对象,并使用 protobuf.js 提供的 API 对其进行序列化和反序列化操作。其中,name 和 level 是普通的字段,items 是一个 repeated 字段,表示它可以包含多个值。在 Cocos Creator 中使用 protobuf.js,我们需要先加载 .proto 文件,然后使用 protobuf.js 提供的 API 进行序列化和反序列化操作。JSON和XML是文本格式,更易于阅读和调试,而且在对人类友好的接口和数据交换上更为常见和广泛支持。

w风雨无阻w的专栏 2626

在微软工作100天,谈谈我眼中的微软

自从去年年底加入了苏州微软,不知不觉中我已经在这里工作100天了。通过这100天的时间,我想我大概已经适应了这边的工作节奏,和身边的同事们也都比较熟悉了。因此现在我想写一篇文章,谈谈我眼中...

郭霖 5203

【比较器仿真】

比较器tran noise、pnoise仿真、噪声仿真、MC失调仿真

pickweb的博客 1万+

复旦微FMQL45T900平台RGMII网口调试实战:从PHY寄存器读取异常到链路建立

本文详细记录了复旦微FMQL45T900平台RGMII网口调试的全过程,重点解决了PHY寄存器读取异常问题。通过电压配置调整、时序优化和硬件信号完整性检查,最终成功建立网络链路。文章提供了实用的调试经验和解决方案,适合嵌入式开发人员参考。

weixin_29193359的博客 287

Microsoft微软的发展

本报告旨在全面分析微软公司(Microsoft Corporation)的历史、发展、产品线、市场表现、财务状况、环境责任、未来工作模式以及面临的挑战和机遇。微软作为全球科技行业的领导者,其业务范围涵盖操作系统、办公软件、云计算、人工智能等多个领域。本报告将深入探讨微软的全球战略、市场扩张、合作伙伴关系以及可持续发展承诺。微软作为全球科技行业的领导者,其在操作系统、办公软件、云计算和人工智能等领域的创新和领导地位不容忽视。公司通过不断的技术研发和市场扩张,保持了强劲的增长势头。

abcdefgdjdjdj的博客 4318

Handler相关面试题

常见面试题: Handler相关 一.谈一谈你对handler的认识,例如:机制和实现等。 handler机制图解: handler常见使用过程: ①.子线程向主线程发送消息: 在主线程中新建Handler实例,并重写handleMessage()方法用于处理子线程传过来的message; 通过Message.obtain()方法获取到消息msg,然后将需要传递给主线程的信息通过msg的what、obj等字段传递; 通过handler的sendMessage发送msg消息,然后在hand

龚礼鹏的博客 3170

在微软工作有多舒服?

一项不加班文化就让同行羡慕得无以复加,最近微软又有了一项超福利动作——在家办公。据外媒The Verge10月9日的报道,微软允许部分员工定期在家自由工作,每周不超过50%的工作时间。如...

码农翻身 1946

【LDPC-7】LLR量化位宽对LDPC译码性能的影响分析——以最小和译码算法为例进行matlab仿真

最小和译码算法的步骤如下:最后译码结果如果满足或者完成所有迭代次数,则译码算法停止迭代,否则继续进行译码迭代操作。

FPGA/MATLAB学习教程/源码/项目合作开发 1471

【实战】CANOE实现UDS安全访问过程的CAPL脚本

首先我已经有了包含安全访问算法的dll文件,并通过Diagnostics/ISO TP Configuration中加载了此dll文件,如下。在on start部分,要将“ECU qualifier“作为参数,执行diagSetTarget函数。这个函数是用于设置tester从现在开始与之通信的目标ECU,并配置/建立与该ECU的通信通道。我最近在做密钥学习上位机时,遇到一些问题:如何用CAPL脚本实现安全访问过程?ECU Qualifier可以通过加载cdd文件后,在如下位置找到。CAPL脚本如何编写。

weixin_46481662的博客 4939

[Microsoft] 通过Microsoft Spotlight 中国站云技能挑战获取微软免费考试券

这是一篇关于微软Spotlight 推出学习活动的同时,如何获得免费考试券的方法,如果该文章在未来时间已经失效,那么建议你关注一下,有Azure China Cloud最新的消息会进行更新通知。

我在山城重庆,我希望能为这片软件沙漠地带贡献自己的一滴水,Stay tuned! 8548

[Dify]-进阶5- 使用 Dify 构建多轮对话的客服机器人

本文介绍了如何利用Dify平台构建智能客服系统,重点阐述了ChatFlow框架的应用。系统支持多轮对话、业务接口集成和话术策略管理,具备订单查询、退货申请等核心功能。通过Classifier节点实现意图识别,借助Router节点分流处理流程,并结合API插件实现业务数据对接。文章还提供了部署调试、会话优化和监控分析的具体方法,强调模块化设计和插件化集成的重要性,为构建功能完善的智能客服系统提供了完整解决方案。

技术小甜甜:传播可落地技术,帮助个人和企业降低解决真实场景问题的成本 1659

探索微软技术新境界:Microsoft Toolkits 2.5.1全面解析与应用

探索微软技术新境界:Microsoft Toolkits 2.5.1全面解析与应用 【下载地址】MicrosoftToolkits最新版2.5.1下载仓库 本仓库提供 Microsoft Toolkits 最新版 2.5.1 的资源文件下载。该工具包包含了一系列用于测试和开发目的的工具,帮助用户更好地管理和配置 Micr...

gitblog_09775的博客 1630

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

微软推出的Microsoft Fabric 到底是什么?

近期,总有客户问小编,微软推出的 Microsoft Fabric 是什么?这个产品有什么特别之处呢?希望下面这篇文章能为大家解开一些疑惑。为什么会推出这个产品呢?结构化的、非结构化的、实时的、归档的、湖里的、仓里的、云上的、自产的、第三方的……,企业要面对的是千头万绪的数据整合,。每个企业都有自己的数据要求,为了让数据平台顺利高效地运行,分析过程中的每个团队都需要的特定角色,但是有些企业没有数据团队,。为此,微软就想帮助企业把这些问题一股脑解决了。而——企业级智能数据分析平台应运而生。。

M15219285876的博客 3310

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

微软 Microsoft AI 全景解析

作为全球范围内软件和企业服务的头牌大厂,微软在AI领域拥有广泛的产品和服务体系,涵盖了从基础的机器学习工具到高级的企业级智能应用平台。数十年来,微软持续在AI相关领域进行基础研究和投入,微软研究院在自然语言处理、语音识别、计算机视觉等领域拥有强大的研究基础和技术积累,为开发者和企业提供了丰富的选择和解决方案支持,推动着全球人工智能技术的发展和应用落地。微软强调AI技术和解决方案能帮助企业和组织在各个层面优化运营并发现新的价值机会。

具身机器人和通用AI 1897

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

微软 Microsoft

微软(Microsoft Corporation) (NASDAQ:MSFT,港交所:4338),是一家基于美国的跨国电脑科技公司,是世界PC(Personal Computer,个人计算机)机软件开发的先导,由比尔·盖茨与保罗·艾伦创始于1975年,公司总部设立在华盛顿州的雷德蒙市(Redmond,邻近西雅图)。以研发、制造、授权和提供广泛的电脑软件服务业务为主。总部位于美国华盛顿州的雷德蒙德,...

weixin_33795806的博客 7848

AI大火的这几年,微软做了什么有效的工作

在过去几年中,人工智能(AI)领域蓬勃发展,微软作为全球领先的科技公司,在这一领域进行了大量的投入和创新。微软不仅在AI技术研究和开发上做出了显著贡献,还通过其产品和服务推动了AI技术的实际应用。下面从多个角度详细分析微软在AI大火的这些年所做的有效工作。

百锦再的博客 2万+

1 4.1 微软商店的使用(Microsoft Store:下载/安装/管理应用与游戏)

本文介绍了Windows 11中Microsoft Store的使用方法。微软商店提供安全可靠的应用程序和游戏下载,所有软件均经过微软审核。使用步骤包括:从开始屏幕打开商店、搜索目标软件、查看详情页确认版本,最后点击"获取"按钮即可自动下载安装。主要优势在于操作简便、安全性高,适合安装常见软件和小型游戏。文章还提供了自测题帮助读者巩固知识点,强调将理论转化为实际操作的重要性。

分享 Windows 系统部署、镜像封装、终端管理、故障排查与运维自动化实践,涵盖 Sysinternals、PowerShell 和 AI 工具应用。以真实案例梳理排查思路与解决步骤,让运维经验清晰、可复用。 3万+

微软如何打造数字零售力航母系列科普04 - 微软联合Adobe在微软365应用程序中工作时推出新的生成式AI功能

我特意找了一片2018年微软零售媒体和ADOBE数字化营销技术的最初关于这个两个公司合作的官方博客。发现当今两家公司的合作,由于算法和模型的迭代,发现当前的效果已经远远高于2018年的期望。ADOBE的的强大优势在于能用数字数段,提高客户的体验和满意度。 从创意到购买的整个过程中,如果真的要做到无缝般链接来提升购买者的体验,还有很长一段路要走。最后,关于知识的democrasy, 让我想起4年前我服务的那个人工智能科技开公司的大佬们对营销部门的很多天真的想法。营销正在成为一种科技和艺术,我深信如此。

weixin_45278215的博客 1423

在微软工作 100 天,谈谈我眼中的微软

来源 |郭霖(ID:guolin_blog)自从去年年底加入了苏州微软,不知不觉中我已经在这里工作100天了。通过这100天的时间,我想我大概已经适应了这边的工作节奏,和身边的同事们也都...

程序人生的博客 771

微软的工作评定FAQ

朋友Jacky翻译的。原文在这里:http://minimsft.blogspot.com/2006/05/faq-on-reviews-promotions-job-changes.html。裸体追公车攀爬红绿灯吐血推荐。顺便说一下,这篇批评文章冲击力之大,以至于微软在不到三个月时间里全面改动他们的绩效评审政策,废除了按比例划分等级的残酷制度。对微软行动如此迅速表示一下钦佩。另外,这篇文章虽然谈

负暄琐话 4397

微软MOS认证!找工作的资本!

近期信息学院和有关部门申请下了微软MOS认证的考试资格。MOS认证就是微软的OFFICE办公软件专业认证,是一个真的挺有用的东西。在北京有许多家大公司都认可这个认证,对将来求知择业有很大帮助的。希望大家好好考虑!名单之后还有相关报考事宜。下面我先列出这些公司:微软 MOS 认证北京地区联系企业名单 1. 美国大使馆2. 外语教学与研究出版社3. 中国国际技术智力合作公司4. 现代传播中...

denghai9921的博客 1941

微软Microsoft有许多耳熟能详的软件?

微软一个巨无霸的软件公司,有很多优秀的产品。

软件行业技术文化交流。 2379

1 5.2 Microsoft Teams 的使用

摘要:本文介绍了Windows 11中Microsoft Teams的核心功能与使用技巧。作为集聊天、协作和会议于一体的工具,Teams支持文档共享、语音/视频会议等功能。重点内容包括:首次启动需设置用户信息;通过微软账号/邮箱/手机号发起聊天;接收方通过邮件链接加入;支持创建群组和共享资源;会议模式下可共享屏幕提高效率。文章提炼了3个关键点:工具定位、聊天发起方式和会议功能,并附自测题帮助巩固知识。适用于需要团队协作和远程沟通的用户。(149字)

分享 Windows 系统部署、镜像封装、终端管理、故障排查与运维自动化实践,涵盖 Sysinternals、PowerShell 和 AI 工具应用。以真实案例梳理排查思路与解决步骤,让运维经验清晰、可复用。 3万+

微软工作这二年

16年元旦顶着大风来北京面试,一天6轮,在回去的高铁上感觉面试可能挂了,一个礼拜后收到了Offer。由于自身各方面的原因,18年元旦,选择离开微软。It is hard ...

java面试笔试 902
上一篇: (转载)函数调用方式比较
下一篇: 找工作(3)——谷歌,互网络绝顶高手
llmlx
博客等级 码龄23年 15粉丝 105原创
评论 1
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