互联网公司产品经理们面试的终极攻略

大厂产品经理面试:阿里、字节、百度、腾讯、拼多多等全国顶级大厂面试题一网打尽! 想要在国内互联网大厂的产品经理岗位上脱颖而出,不仅需要扎实的专业技能和实践经验,还需要对行业的深入理解和敏锐洞察。通过准备充分的面试答案、展示你的专业技能和实践经验、保持开放和学习的态度以及注意沟通与表达,你将更有可能在面试中脱颖而出,成功拿到心仪的offer。 阅读详情

一、kentzhu

好像每个人每个不同的公司文化对产品经理的考量方式与方向都不一样,我觉得可以从4个方面考量。

1、  学习能力

互联网行业一个不变的特别就是发展快,没有这个能力,其他的都是扯淡。

2、  逻辑思维能力

3、  沟通

在工作中,产品经理最常用的最需要的武器就是“嘴”,这张嘴要搞的定老板说的服工程师传达的清需求勾引的到用户。

4、  对细节的把握

对细节的把握与对大局的把控是相辅相成的,这2点可以放在一起去考量。

二、LaoBai

我现在天天面试,所以回一下这个问题,但其实,这个问题有些毛病,都产品经理了,当然拿产品说话。

1、  社招产品经理

面试很简单,问、演示ta以前做过的产品。产品如何做的,为什么成功,为什么失败?

2、  校招产品经理或转行想当产品经理(敝公司称为助理产品经理)

这种类型的面试有些复杂了,所以,本提问的问题应该改成“面试没做过产品经理的但又申请产品经理职位的人选需要注意什么”

1)、看这个人的沟通能力

2)、看这个人的学习能力

3)、看这个人的责任心

4)、看这个人的真正兴趣

不同公司对产品经理的定义其实有很多不同,校招产品经理是一种挑战,而社招产品经理应该以产品说话。即便产品是失败的,也要讲出失败的理由,而且,你要确保,你能提供的资源可以覆盖ta上次失败的理由。

三、张盼(经典的总结)

本人曾面试产品经理几十次,败绩无数,后也面过一些产品经理,误入此题,上一些感想。

产品经理是一个以软实力为主的岗位,不需要你设计,不需要你写代码,需要你干什么,心里必须有数。把这个说在前面,是要提醒你,产品经理虽然不一定需要你上硬货,但你千万别把面试当做一个扯蛋的过程,虽然“你觉得什么样的产品是好产品?”这样的问题看起来是面试官在和你扯蛋,但是这其实是一个非常专业的问题。首先一定要把产品经理当成一门专业来看待,要把面试当做一个规范的行为来看待,万不可随意瞎扯。

压力测试是给外行的人做的,对于专业的人来说,讨论专业的事,任何问题都不要归结于压力测试的思路去。以逻辑和说服力征服对方,产品工作就是一个先自己想明白,再不断说服所有人的过程。

在知乎另外一个关于面试豆瓣产品经理的问题上,我们可以看到一个失败的产品面试过程,失败在哪里,其实没有人给出解读。产品经理面试经常犯一个错误,就是认为问题没有标准答案,诚然,产品工作中的确没有全对全错,但是面试是一场考试,是考试必定有高下,有高下就必定有标准,接近那个标准的,就是正确答案,远离那个标准的,就是错误答案。面试的过程,就是让自己的回答无限接近标准答案的过程。

回到那个豆瓣面试,里面有一个问题我也曾经常遇到,“Q:你觉得什么样的产品是一个成功的产品?”或者是“成功的产品有什么标准?”。你可以这样答:好玩的产品就是成功的、用户人数多的就是成功的、能为公司赚钱的就是成功的、UI做得漂亮就是成功的。当然从扯蛋的角度看,这样的回答本没有问题,但是如果是产品经理面试,这样的回答要打零分。为什么呢?不要忘记你的身份,是要来面试产品经理,好玩的产品一定成功吗?成功,但这是从用户的角度看问题,用户人数多就成功吗?这仿佛是一个聪明的答案,但其实是很容易被问死的,多少用户算多?用户人数多就一定很成功吗?能为公司赚钱的就是成功,逆推回去没为公司赚钱的就不是好产品吗?许多产品人气很旺但是并不要赚钱,只是用来市场卡位的,这样不算好产品吗?这是运营的思路,不是产品经理的思路。最后一个答案,长得好看的产品,那是美工的思路,也不是产品经理的思路,甚至是用起来爽的产品,也只是交互设计师的思路,同样不是产品经理的思路。这些答案我也曾一二三的列出来,自以为得计,但其实都只证明了自己的无知,对产品工作缺乏思考而已。

那什么才是产品经理的思路?对于上面的问题,目前为止我得到的最好的答案,是简单的三条,这三条或许并不是标准答案,但折射出来的道理,可以供每一个想进入产品行列的同仁借鉴:

  1. 一个好的产品,首先要解决用户的需求;
  2. 一个好的产品,其次是要有黏性;
  3. 一个好的产品,要拥有不错的体验。

什么产品才是一个好的产品,满足以上三条,就是好的产品。这才是产品经理的思维——透过现象看本质,深度解读一个问题,提炼出问题的规律,并用这个规律来指导产品开发设计的行为。产品经理是用脑工作,不是用手。产品经理的三个关键词:需求、黏性、体验,这三个是产品工作中每天都要挂在嘴边,刻在脑海的。

首先说第一条,需求,这是一个产品之所以被称为产品的前提,产品的本质就是用来解决需求的,黏性和体验是之后的事,如果我给你一个空调,八星八钻,黄金面板,最先进的XX工艺,按下按钮就播放你喜欢的音乐,但是我告诉你,它是没有制冷和制热功能的,你觉得它是一个成功的产品么?所以说,一个好的产品,或者是说成功的产品,一定要首先解决用户的某种需求,或者是更好的解决了别的产品已经解决了的需求,这就是好产品的第一条标准。看起来像废话,但是这就是抽象出来的规律,也是无可辩驳的事实。

第二条,黏性,这是一个成功产品的另一个典型特点。一个成功的产品,一定是不断被用户想起的产品,一旦用户产生了某种需求,就能想起你,这就是一个好的产品。有黏性的产品一定是很好的解决了某种需求,而且做到了竞品没有的高度。用户用了一次就不再使用,说明你的产品并不好,或者说干脆就是定位有了问题。QQ的黏性为什么那么强?为什么中国人喜欢用百度,为什么许多产品看似概念不错,体验也没什么硬伤,却如同昙花一现?就是在培养用户黏性上面没有做好。所以解决了用户某种需求的产品,并不一定就是好产品,还需要被用户不停的想起,从这个角度说,一个漂亮性感、能解决你性欲的女人和一个能和你相濡以沫让你感受到被爱的女人,谁优谁劣,高下立判。

第三条,优秀的用户体验,这也是一个成功产品的典型特点。我曾以为这是产品经理的全部,后来我才明白,其实所谓优秀的用户体验是交互设计师要考虑的问题,而交互设计只是产品经理工作的小小一环。优秀的用户体验可以为产品加分,但是绝对不是最重要的,想当年互联网草创时期,产品体验一塌糊涂,但是用户依然趋之若鹜,因为你的产品解决了用户的需求,犹如一个农民在挖地时用的锄头,从某种角度看,既不漂亮又不省力,但却当之无愧是一个好产品,因为它解决了农民种地的需求,另外只要农民种地就会需要它。当然,如果你做了一把体验更好的锄头的确是更好的产品,但是那其实不是最本质的。

这三条规律,是一个产品作为一个好产品的根本特点,是三条放之四海而皆准的规律,而不是主观的某种看法或停留在表层的认知,这就是产品经理应有的能力——从复杂的现象中抽象出普世规律,然后利用这个规律指导产品的方向。

这样一个简单的问题,折射出的是产品思维、产品工作经验、归纳总结的能力,这绝对不是一个扯蛋的问题,而是一个高明的面试题,你回答不出来,或者是如扯蛋般给一个自己主观的感受,是不会被面试官认可的,这样面试官才会打破砂锅问到底:那新浪微博是一个好产品么?支付宝是一个好产品吗?XXX是一个好产品吗?面试官要的,不过是你评判好产品的标准罢了,不是真问你它们是不是好产品,而是考察你,知不知道什么是好的产品,试图让你总结好产品的几个特点罢了!

回到我们的面试,在整个产品经理的面试中,你需要坚持的一条原则,我总结为四个字——“产品思维”。与之相应的,有几个误区,分别是“用户思维”、“运营思维”、“老板思维”、“程序员思维”、“美工思维”、“战略家思维”,这些思维产品经理都必须要有,但是在面试时,这些思维都是一种干扰,起着极大的误导作用。还是上面的问题,如果用这几种思维去回答“什么样的产品才是好产品?”这个问题,分别是这样的:

用户思维:好玩的、操作爽的产品就是好产品

运营思维:用户能自然增长的产品就是好产品

程序员思维:质量高、操作流畅、逻辑清晰的产品就是好产品

美工思维:长得好看、用色规范、界面精美的产品就是好产品

战略家思维:市场定位精准,为公司整体战略做出重大贡献的产品

老板思维:能说服投资人、能给老子转到钱的产品就是好产品

大家想想,自己曾如何回答这个问题的?你是以什么立场来回答这个产品经理面试中一定会遇到的问题的?现在回想一下你面试的答案是不是真的符合一个产品经理的自我修养?这些回答都没错,而且是很对,但是你从哪个角度看,这个很重要,面试官不在乎你的答案是什么,在乎的是你的立场是什么,换句话说,你有没有“产品思维”。

从第一个问题中,我提出了一个问题,就是很多人在面试的过程中,把产品经理当成了一件扯蛋的事情,认为和面试官瞎扯几句,就可以了,扯得开心,皆大欢喜,然后扯了半天,发现面试官好奇怪,我这么合理合法合情合一切的答案为什么他就是不满意,而且不停的追问,他是否有病?不是人家有病,是你没弄明白人家的需求。

面试官的需求说白了就一句话,展示你的产品思维。

我们顺着这个思路考虑一下在产品经理面试时常见的几个问题:

Q:遇到不可沟通的人怎么办?

首先我要说的是,不可沟通的人是不存在的,很多人会直接回答:“我没遇到过不可沟通的人。”这就是叫板,难道面试官不知道不存在这样的人吗?常见的看起来比较聪明的回答有这些:据理力争(都说了不可沟通你还争个屁,是要打架吗?)、找上司来帮忙(什么都找上司你的能力怎么体现?)、说服意见相同者以团队力量来说服(没听过真理掌握在少数人手中么?),这样的答案显然都漏洞百出,不仅不加分反而减分,你会说是呀,我通常都是这么干的,我有经验,但你不要忘了这是面试,你的答案不足以说服面试官你就是错的。

这个问题其实还有几个姊妹篇:你和上级发生分歧怎么办?你如何说服你的老板?如果大多数人都不支持你的意见怎么办?技术团队不服从你的决策怎么办?

说白了,这些问题的核心就是:你通过什么方法去说服其他人?

都说产品经理的天职就是沟通,但是沟通不等于扯蛋,沟通是要讲方法的,沟通包括理性的沟通和感性的沟通,感性的沟通比如说:“请反对者吃个饭,取得他的信任”,这当然也不失为一种策略,但是这里要回答的,必须是理性的沟通,你如何通过科学的方法说服其他人?标准答案只有四个字:

“数据分析”

有许多人对数据分析是嗤之以鼻的,认为数据其实是扯蛋的,我们首先要清楚,数据分析是一把双刃剑,可能在主观操作下,得出完全错误的结论,从数据的来源、数据的选择、数据分析的方法等各个环节,都可能出现差之毫厘失之千里的结论,但是,作为一名产品经理:

数据分析是到此为止最科学、最高效、最富有说服力的决策方式

一个好的产品经理必须重视数据,从数据中获得支持自己观点的力量,因为大多数人不相信人,只相信事实,哪怕是有明显偏差的事实,也比“我认为”有说服力得多。

你要做一个产品经理,必须对数据保持高度敏感,擅长使用数据,乃至于迷信数据,都是一种正确的态度,要说服团队中的其他成员,你必须给出足够有说服力的理由,数据分析的结果是客观存在的事实,这是最有说服力的武器,无论你怎么据理力争,无论你已什么做威胁,无论你以什么糖衣炮弹做幌子,只有事实能说服所有人。这才是产品经理的“产品思维”。

Q:什么样的产品经理是一个优秀的产品经理?

这也是许多面试时会遇到的问题,相信所有从事产品工作的人都看过一本书,那就是《人人都是产品经理》,书写得不错,但是这其实是一个伪概念,按照这本书的逻辑,我可以说人人都是皇帝,人人都是作家,人人都是清洁工,人人都是CEO,人人都是程序员,人人都是士兵,人人都是将军,人人都是天才,人人都是XXX,随便一个概念都可以往里面套。这本书揭示了一个现象,就是其实作为一名用户,大家都可以用产品经理的视角去审视产品,这是对的,但是如果你真以为随便谁都可以来当产品经理,那就是被忽悠了。

面试官要面试的,是一名专业的产品人员,而不是那个人人都是的“产品经理”。这两个概念有什么区别?人人都是的那个角色,是一种视角,而专业的产品人员,是一种思维,说白了,你听得出什么样的节奏是最呀最摇摆,你就是一个音乐品评者,而你懂得为什么这样的节奏是最呀最摇摆,你就是一个音乐家。一个是知其然,一个是知其所以然,一个是用最浅显的眼光去感受,一个是用最深刻的思考去分析总结,这是完全不一样的两个层次的概念。

许多人被苏先生误导,以为产品经理就是一个扯蛋的职业,谁都可以来干,谁都可以干好,这绝对是对产品工作天大的误解。产品经理是一个技术活,而且是一个需要许多的积累、学习、总结、历练的职业。一个合格的互联网产品经理,起码要有以下几条重要的能力:

互联网思想:屌丝、长尾、流量、跨界、极致、简约、社会化…

用户体验理论:用户行为分析、心理学知识…

三个代表重要思想:框架逻辑、交互设计、UI设计

科学发展观:平台、迭代、大数据…

这些能力和技术、设计的思维都不一样,技术和设计研究是产品成功的“术”,而产品经理的能力,却体现在把握产品成功之“道”,所有产品的成功,都有一定的前提和规律,产品经理要做的,就是分析总结这些成功的原因、失败的原因,将整个团队带向一个偏向正确的方向,所以才有了竞品分析、市场反馈等等必须要每天去做的工作内容。

Q:如何看待微信的成功?

张小龙作为优秀产品经理的代名词,微信作为移动互联网时代最成功的产品,犹如经典教科书般的存在,谈论微信,是许多互联网公司面试产品经理时绕不过去的话题,如何看待微信的成功呢?我首先说一下我认为最失败的回答:

“因为腾讯庞大的用户基数,微信是富二代” 

这是产品经理面试中最失败的回答,注意,我所说的是失败,不是错误,因为你说了一句正确的废话。还是回到我们的场景,你在面试产品经理,你需要用产品经理的视角去分析所有面试官提出的问题。

微信的成功,是天时地利人和配合的产物,犹如我问你一颗种子为什么变成一棵大树,你可以回答我无数正确的答案:它走运没有被鸟吃掉,它小时候一把火没被烧死,它旁边没有比它长得快的植物挡住光线。是的,这些答案貌似都有道理,但是它没有回答我问题的核心。面试官在为什么什么,面试官想要得到什么样的答案,这个非常重要。面试官没有说明的前提,一定要在心里默默的补起来:请单从产品角度分析微信成功的原因。

小马哥对腾讯的产品之所以成功是因为QQ弹窗的说法不屑一顾,他说,如果腾讯的产品和服务本身很差的情况下,用户只会把弹窗视为一种骚扰,而不是欢乐的接受。公正的说,我认同这种说法。

强调微信富二代的身份,起码说明了两个问题:第一,你是一个不相信产品内在力量而相信运营重要性大于产品本身的人;第二,你没有产品思维。

关于微信为什么成功,推荐大家看一本书,叫《微信来了》,书中诠释了一些原因,我列举几条:

  1. 从模仿到超越,没有必要重新发明轮子
  2. 让用户陷入贪嗔痴的人性弱点中
  3. 快速迭代,勇敢试错,永远的bate版
  4. 欢迎服务,抵制营销
  5. …….

微信的成功,从产品经理的角度看,是决策的成功、对人性洞察的成功、对需求精准把握的成功、对市场分析充足的成功,而不是富二代的成功,因为我们很容易用腾讯那么多失败的产品案例推翻你的偏见。话说回来,即使真的你觉得微信一文不值,就是靠QQ起来的,记住这里是产品经理面试,你也不能傻乎乎说出你的真实想法,那不是面试官想要的答案。

不知不觉,码字几千,其实不外乎在说一件事,产品经理貌似是一个人人都可以干的行当,实则如同一座冰山,用户看到的只是产品最终展现出来的形态,而产品经理却需要打造出水平面以下的巨大支撑,这个支撑越大,浮在水面上的内容就会越多。

产品经理的面试,就是看一个人能不能看到冰面以下的那些内容,你是产品经理,就要用产品思维说话,就要用产品经理的视角看问题,否则你将得不到专业产品人员的认可,也没有办法说服大家按照你的思路去做产品,那人家又岂敢将动辄百万投入的项目交付到你的手上?

作为一个产品经理,我们要学的还太多。

借用小龙先生的话收尾:我所说的,都是错的。

本文 整理自 知乎问答原文文链接:http://www.woshipm.com/pmd/109339.html

 【关于我们】

才淇(微信公众号:caiqicehua),专注于国内各大互联网公司社会招聘内推。每天更新最新互联网名企(包括但不限于今日头条、网易游戏、BAT、网易互联网、小米、京东、乐视、携程等名企)内推信息,有技术岗、有产品岗、有运营岗、有设计岗、有交互岗、有销售岗,更有其他N多相关岗位!更多内推信息请扫描以下二维码关注查阅。

 

产品经理简介 产品扫盲 阅读详情

相关推荐

数据采集卡架构与PCIe优化设计详解

数据采集卡(DAQ)作为工业自动化中的关键设备,其核心在于模数转换(ADC)和数字信号处理技术。现代系统普遍采用PCIe总线架构,通过DMA传输和时钟同步技术实现高速数据采集。在信号调理环节,可编程增益放大器(PGA)和抗混叠滤波器确保信号质量;而Σ-Δ型ADC则提供高达24位的分辨率。实际应用中,从电力监测到机床振动分析,数据采集卡需要结合具体场景优化配置。通过合理的PCB布局和EMI防护设计,可以有效提升系统在工业环境中的可靠性。

weixin_29168675的博客 912

产品基础:产品经理的 40+ 高频面试题,赶紧收藏!

产品经理的面试,一般会问什么问题?作为公司的产品负责人,大小也面了不下 100 个产品,产品经验横跨了 0~3 年、3~5 年。我罗列了一些常用的产品面试问题,主要有“开始、产品、中级、考察、结束”等五类,希望能帮到你。

zhishi0000的博客 2960

Multisim 14.0实战:从零搭建可调幅多波形信号发生器(附仿真文件)

本文详细介绍了如何在Multisim 14.0中从零搭建一个可调幅多波形信号发生器,涵盖方波、三角波和正弦波的生成原理与实现步骤。通过核心电路架构解析、关键参数设计及Multisim实战操作,帮助电子工程学习者和硬件工程师掌握信号发生器的设计与调试技巧,并提供仿真文件供实践验证。

nokia的博客 1073

全国顶级大厂产品经理面试题大全:阿里、字节、百度、腾讯等一网打尽

想要在国内互联网大厂的产品经理岗位上脱颖而出,不仅需要扎实的专业技能和实践经验,还需要对行业的深入理解和敏锐洞察。通过准备充分的面试答案、展示你的专业技能和实践经验、保持开放和学习的态度以及注意沟通与表达,你将更有可能在面试中脱颖而出,成功拿到心仪的offer。

2401_84495872的博客 2591

Nmap的介绍、安装 并进行网络扫描

Nmap概述 Nmap(Network Mapper(网络映射器))是一个网络连接端扫描软件,用来扫描网上电脑开放的网络连接端。确定哪些服务运行在哪些连接端,并且推断计算机运行哪个操作系统(这是亦称 fingerprinting)。它是网络管理员必用的软件之一,以及用以评估网络系统安全。 正如大多数被用于网络安全的工具,nmap 也是不少黑客及骇客(又称脚本小子)爱用的工具 。系统管理员可以利用nmap来探测工作环境中未经批准使用的服务器,但是黑客会利用nmap来搜集目标电脑的网络设定,从而计划攻击的方法。

Cheney ' blog 2万+

0基础手把手搭建 Trae\+Seedance2\.0 真人短剧生成智能体(可直接运行)

前言:本文专为0基础新手编写,全程无复杂代码、无专业术语,一步一截图提示(操作路径清晰),只需跟着点鼠标、复制粘贴,就能搭建出可自动生成真人短剧的智能体,生成的短剧可直接导出发布。核心工具:Trae(字节跳动AI IDE,免费)+ Seedance2.0(真人视频生成API,公测免费),无需提前学习编程、设计,全程10-15分钟搞定。 适用人群:0基础小白、想快速生成真人短剧(自媒体、短视频创作者)、无需懂技术即可实现自动化短剧生成的人群。

skygulangfendouz的专栏 1059

产品经理面试宝典

写个专栏,主要帮助产品经理解决面试问题,包括互联网的发展前景和产品经理的发展趋势、产品经理面试前的准备、面试中的应对、面试后的复盘、常见的产品面试题,大厂的产品经理面试题目,以及一些面试技巧,帮助社招产品经理、校招产品经理、想转行产品经理的求职者,更容易的找到满意的产品经理工作。通过本专栏,你可以了解到以下信息:1、了解互联网和产品经理的发展趋势(包含产品经理的薪资情况)2、了解面试如何准备,面试...

liudada8265的博客 407

CrossOver实战:在Mac上流畅运行《梦幻西游》端游与搬砖指南

在跨平台应用开发与系统兼容性领域,如何让为特定操作系统设计的软件在其他平台上运行,是一个经典的技术挑战。其核心原理在于通过兼容层或转译技术,将程序的系统调用和图形接口指令实时转换为目标系统能理解的格式。这项技术的价值在于极大地扩展了硬件设备的软件生态,让用户无需依赖虚拟机或双系统即可无缝使用关键应用。在游戏、专业工具等场景中,这能显著提升工作效率和用户体验。本文以经典端游《梦幻西游》为例,详细解析如何在搭载Apple Silicon或Intel芯片的Mac上,借助CrossOver这一成熟的兼容层方案,构建

weixin_30129025的博客 571

产品经理们面试的终极攻略

本人曾面试产品经理几十次,败绩无数,后也面过一些产品经理,误入此题,上一些感想。   产品经理是一个以软实力为主的岗位,不需要你设计,不需要你写代码,需要你干什么,心里必须有数。把这个说在前面,是要提醒你,产品经理虽然不一定需要你上硬货,但你千万别把面试当做一个扯蛋的过程,虽然“你觉得什么样的产品是好产品?”这样的问题看起来是面试官在和你扯蛋,但是这其实是一个非常专业的问题。首先一定要把产品

qing19921221的专栏 1150

DSP篇--C6678功能调试系列之SPI调试

SPI传输数据分为线上直接收发和通过EDMA的数据传输两种。第一种是直接将数据放在线上(SPIDAT1),在寄存器(SPIBUF)中写入命令实现数据的收发;第二种需要配置EDMA,将数据buffer直接作为EDMA的数据源进行传输,其需要配置的参数和中断与EDMA一致。

nanke_yh的博客 1259

SAP MM ME21N保存前检查增强

想在ME21N保存前做一些数据检查, 可以做一个增强功能,  运行 CMOD 新增,   增强接口 输入 MM06E005  (  EXIT_SAPMM06E_012 ) ,在 NCLUDE ZXM06U43 .  里写代码功能。  例子如下: *&---------------------------------------------------------------------*

heng0757的专栏 1万+

传统产品经理转型AI产品经理全攻略:4步路径助你跨越知识鸿沟,实现薪资涨幅40%!

AI产品经理因兼具业务落地、产品设计和技术理解的复合能力,成为高薪岗位,薪资涨幅达40%。转型面临知识体系缺失、落地经验缺乏和认知焦虑等困局。正确转型路径包括:系统评估个人实力,制定个性化学习计划,分阶段建立产品认知、业务理解、技术理解和项目落地经验。通过系统学习和项目实训,不同背景人士均可成功转型,实现薪资大幅提升。

2401_85375151的博客 1635

大模型的应用与微调:如何调用 LLM?从 OpenAI API 到本地部署

本篇文章介绍了如何调用 OpenAI、DeepSeek、Manus、通义千问等大模型 API,并探讨了 LLM 本地部署的方法。在实际应用中,可以根据需求选择云端 API 或本地化部署方案,以满足不同的计算需求和隐私要求。下一篇:大模型微调与 RAG 技术(LoRA、QLoRA、向量数据库)

晴天彩虹雨的博客 1157

AI 大模型面试题终极指南:全面汇总,一网打尽!国内20家公司大模型岗位面试汇总,叫我卷王

节前,我们组织了一场算法岗技术&面试讨论会,邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。针对大模型技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备面试攻略、面试常考点等热门话题进行了深入的讨论。总结链接如下:喜欢记得点赞、收藏、关注。更多技术交流&面经学习,可以文末加入我们社群。AI 大模型技术经过2023年的狂飙,2024年必将迎来应用的落地,对 IT 同学来讲,这里蕴含着大量的技术机会,越来越多的企业开始招聘 AI 大模型岗位。本文梳理了 AI 大模型开发技术的面试之道,从

m0_65555479的博客 1093

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

大专生能进IT外企吗?——从“学历短板“到“逆袭王者“的进阶指南

真实案例:某培训机构的大专学员,学完后靠一个"用Python+Selenium实现的电商网站自动化测试项目",成功拿下某德企外包岗,起薪就比同期本科生高500块——因为"来了就能干活"啊!就像《功夫》里的周星驰,从"小混混"到"绝世高手",差的不是天赋,而是一本《如来神掌》秘籍和持之以恒的练习。外企愿意用大专生的原因很简单——同样的黑盒测试工作,大专生要价比本科生低20%-30%,这省下来的钱够买多少杯星巴克啊!准备几个"克服困难"的故事(比如"如何在三天内学会Postman")

1、测试博主技术知识分享 2、pos行业知识技术分享 3、java后端技术知识分享 4、嵌入式技术知识分享 5、运维部署相关知识分享 1445

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")

【DeepSeek终极指南】1个万能公式+6个场景模板

🌟 你是不是经常遇到这些烦恼?• 熬夜写的方案被老板打回重做• 旅行攻略做了3天还是毫无头绪• 想学新技能却找不到靠谱教程别担心!今天教你用1个神奇公式,让AI成为你的私人智囊团!1明确你希望 DeepSeek 扮演的角色,这能让它从特定视角出发,给出更专业、贴合需求的回答。例如,你想了解投资理财知识,不妨这样设定:“你是一位有 15 年经验,擅长为普通上班族规划资产的资深理财顾问”。

2401_85390073的博客 1276

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

双飞硕士(嵌入式Linux软开汽车电子)一个offer没有

然后问项目,我说了一下本科毕设,是面对用户的app设计,目前是计算机方面科班出身,跟姐姐有一个2.2w的抖音号,面试题才看到框架算法也看的不多,大厂我就不想了,现在在投了几个售前海康威视简历复筛了,深信服等群面了,想。家在天津,以后也准备在天津工作,所以一直没回学校准备参加这边学校的双选会,学校都有认识的人进去肯定是没问题,就是到时候企业看到我不是本校的会不会被拒啊。背景:本人23届双非一本大学,智能科学与技术专业,应聘时没有工作经验,有两个简单的项目,在大学期间学过C语言,但学的一般。

2301_79125642的博客 1206

优快云日报20170223——《作为开发者,你都听产品经理的,做的累不累?》

想必做过几年开发的小伙伴都碰到过产品经理各种需求,各种上线前需要改东西的情况。简直无语!下面我给大家盘点一下最让开发者无语的几种情况。

优快云 官方博客 2万+

秋招攻略:从信息战到实战,应届生求职全流程拆解

校园招聘是应届生进入职场的关键通道,其本质是信息与效率的竞争。理解招聘流程的系统性,掌握简历、笔试、面试等核心环节的方法论,能显著提升求职成功率。从技术角度看,这涉及信息检索、资源管理、策略优化等通用能力。在工程实践中,利用STAR法则梳理经历、针对岗位定制简历、通过LeetCode等平台备战技术笔试,都是提升匹配度的有效手段。秋招不仅是求职活动,更是一次对个人知识体系、项目经验和职业规划的系统性检验。通过构建目标公司库、管理应聘流程、进行模拟面试等实战技巧,求职者可以在信息不对称的竞争中建立优势,最终实现

weixin_29589063的博客 387

2026软件测试面试全攻略:从理论到实战,一次讲透高频考点与项目经验

在软件测试领域,从早期的功能点到如今的质量体系构建,行业对测试工程师的要求已发生深刻变化。测试理论与实践、测试八股文的背后,本质是考察候选人对缺陷预防、质量模型和测试左移的底层理解。随着接口自动化、持续集成成为标配,掌握SQL、Linux日志分析与接口测试工具,已成为衡量工程实践能力的关键标尺。无论你是备战校招、冲刺大厂,还是瞄准银行软件测试等特定行业,都需要将抽象的理论概念转化为可落地的项目经验。本文从测试基础、流程设计、自动化框架到面试答辩技巧,系统梳理了2026年高频考点与避坑策略,帮助求职者构建完整

weixin_28842269的博客 209
上一篇: 学好Python的优秀资源推荐
下一篇: 最近三年的百度产品经理面试与笔试题完整版
caiqicehua
博客等级 码龄10年 153粉丝 9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
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