当前位置: 首页 > news >正文

秋招提前批面试经验分享(上)

⭐️感谢点开文章👋,欢迎来到我的微信公众号!我是恒心😊

一位热爱技术分享的博主。如果觉得本文能帮到您,劳烦点个赞、在看支持一下哈👍!

⭐️我叫恒心,一名喜欢书写博客的研究生在读生。

近期会不断更新一些计算机面试经验 ~~~ 有什么问题的小伙伴 欢迎私信或者添加文末下方的微信进行提问欧

如果你喜欢这个系列,后续整理完会发布在博客上的欧,学习笔记、C++ 服务器开发的一些坑点、有趣的项目等
觉得有帮助的小伙伴麻烦给个 👍⭐️(明示)

一、个人背景:

二、小小建议:
1 编程语言
2 算法
3 计算机体系的学科

一、个人背景:

简单介绍一下自己,本科读的是二本,考研调剂去了双非的学校,计算机科班出身,参加过一些学科竞赛,工作的时候主要找C++和自然语言处理的开发岗。读研期间也是不被允许去,但是参加的是工行暑期星令营实习而且还要轮岗,做的还是数据处理方面。 😢≈ 没有实习。又想留在广州这边发展,能投递的公司基本上转了一圈。

二、小小建议:

能去实习,一定要先去实习!!!

不能去实习,也要多面试,积累经验!!!

稳住心态,多下点功夫,不要和别人攀比!!!

面试的建议

一面的话,通常是你未来同组的同事或者小组长作为面试官,一般是基础技术面,往往这一面有可能考察一些常规的算法,需要提前做好准备;

二面的话,更多是主管面,这时候可能就不会太关注基础,往往考察的是你的潜力,会从项目上入手,考察思考问题的方式(某面试官亲口说的。。。)。

HR面的话,往往会问offer的情况,要提前准备好,以及为什么还要继续参加他们公司的面试等等理由。谈薪资千万别怯场啊(我之前一直绕圈说不看重薪资,内心渴望得很😂…),可以先去网上或者查找薪资的”小程序“ 上查看一下大部分人去年给的是什么价位,自己有个底,在这部分上下波动上争取一下。

小菜鸡的我,一般也就三面,大厂中厂的四五六面—无。。。

心态上

  • 承认不足,但也不必妄自菲薄。不得不承认今年确实是寒冬,很多时候没拿到心仪的offer并不是你的问题,努力了就会有收获,一定会有的。
  • 不要太过在意和别人比较。身边有很多大佬都拿到了很好的offer,说不羡慕是假的,但是羡慕就好啦,别太过在意,内耗自己。大多数人都会经历秋招或者春招的 迷茫期 ->沉淀期 -> 调整与尝试 ->收获期。你走的路,其实大多数人都走过,只是顺不顺利的区别,和时间长短的事,大家都会上岸!
  • 端正学习态度,无论是否是KPI面,既然你接受了面试,就不要消极对待,借此机会差缺补漏,做好面试笔记,复盘,争取下一次遇到同样地问题,能给出一个满意地答案。

方向上

1、你要对自己的学习方向和今后工作有个清晰的认识,知道优势和劣势!!!

今年C++走后端的难度真的非常大!!!同样招C++和JAVA的岗位,挺多公司其实更偏向于JAVA的,相比之下,在一下框架的使用上, C++ 真的不好回答,甚至RPC这个简单的问题都看会回答的磕磕绊绊。

我的学习路线

1 编程语言

编程语言每个都可以有自己的学习方式,如果0基础的同学,我觉得阿秀师兄写的学习笔记就挺不错的,按照学习路线打好基础。如果以前学习Cpp,但是长时间没有使用了(比如我),建议先看一下《C++那些事》

面经:在学习过程中你需要整理一下一些学习重点知识以及常错的地方— 这不就是八股面经的由来吗?(面经要弄懂!而不是强记,这样面试的时候经不了拷问,非常扣分的!!)

1.1 STL库的学习:

作为C++标准库,你需要非常熟悉的掌握,容器地实现原理,底层数据结构,迭代器使用,基本容器地使用(写算法的时候可以适当练习)。

1.2 视频学习推荐:

侯捷叔的《STL标准库》墙裂推荐!(源码级分析)

1.3 C++11的新特性

《C++ Primer Plus(第6版)中文版》就挑选C11部分认真看看,有个大致印象,后面遇到不熟练的 再去刷一下它的课后系统加深一下就差不多了。

《C++ Concurrency In Action》 C++ 并发编程实践,学习一下C++11的并发模式,锁和信号量,线程安全的问题,对于后续做高并发服务器有很大的帮助。

1.4 项目推荐:
  1. Github上的TinySTL(https://github.com/Alinshans/MyTinySTL)
  2. LinuxWebService(《Linux高性能服务器编程》和《Linux多线程服务端编程》,最好结合自己的思考实现一下)
  3. 基于muduo网络编程结合ZooKeeper实现的RPC系(自己当时练手的写的项目)
  4. 基于跳表数据库设计(https://github.com/youngyangyang04/Skiplist-CPP)

点这里👇关注我,记得标星哦~

往期优质文章:

  1. 轻松掌握:工科生如何高效阅读国际期刊和撰写论文

  2. 国产AI工具总结与推荐

  3. 能理解你的意图的自动化采集工具——AI和爬虫相结合

  4. C++求职者的敲门砖:Linux Web服务器项目精解

相关文章:

秋招提前批面试经验分享(上)

⭐️感谢点开文章👋,欢迎来到我的微信公众号!我是恒心😊 一位热爱技术分享的博主。如果觉得本文能帮到您,劳烦点个赞、在看支持一下哈👍! ⭐️我叫恒心,一名喜欢书写博客的研究生在读…...

[AIGC] ClickHouse的表引擎介绍

ClickHouse是一种高性能的列式数据库管理系统,支持各种不同的表引擎。表引擎是数据库系统中的核心组件,它定义了数据的存储方式和访问方式。本文将介绍ClickHouse中常见的表引擎及其特点。 文章目录 一、MergeTree引擎二、ReplacingMergeTree引擎三、Sum…...

关于新装Centos7无法使用yum下载的解决办法

起因 之前也写了一篇类似的文章,但感觉有漏洞,这次想直接把漏洞补齐。 问题描述 在我们新装的Centos7中,如果想要用C编程,那就必须要用到yum下载,但是,很多新手,包括我使用yum下载就会遇到一…...

OpenEarthMap:全球高分辨率土地覆盖制图的基准数据集(开源来下载!!!)

OpenEarthMap由220万段5000张航拍和卫星图像组成,覆盖6大洲44个国家97个地区,在0.25-0.5m的地面采样距离上人工标注8类土地覆盖标签。我们提供8类标注:裸地、牧场、已开发空间、道路、树木、水、农业用地和建筑。类选择与现有的具有亚米GSD的产品和基准数…...

工作助手VB开发笔记(1)

1.思路 1.1 样式 样式为常驻前台的一个小窗口,小窗口上有三到四个按钮,为一级功能,是当前工作内容的常用功能窗口,有十个二级窗口,为选中窗口时的扩展选项,有若干后台功能,可选中至前台 可最…...

WAWA鱼曲折的大学四年回忆录

声明:本文内容纯属个人主观臆断,如与事实不符,请参考事实 前言: 早想写一下大学四年的总结了,但总是感觉无从下手,不知道从哪里开始写,通过这篇文章主要想做一个记录,并从现在的认…...

Go 依赖注入设计模式

💝💝💝欢迎莅临我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。 推荐:「stormsha的主页」…...

使用React复刻ThreeJS官网示例——keyframes动画

最近在看three.js相关的东西,想着学习一下threejs给的examples。源码是用html结合js写的,恰好最近也在学习react,就用react框架学习一下。 本文参考的是threeJs给的第一个示例 three.js examples (threejs.org) 一、下载threeJS源码 通常我们…...

嵌入式linux面试1

1. linux 1.1. Window系统和Linux系统的区别 linux区分大小写windows在dos(磁盘操作系统)界面命令下不区分大小写; 1.2. 文件格式区分 windows用扩展名区分文件;如.exe代表执行文件,.txt代表文本文件,.…...

智能交通(3)——Learning Phase Competition for Traffic Signal Control

论文分享 https://dl.acm.org/doi/pdf/10.1145/3357384.3357900https://dl.acm.org/doi/pdf/10.1145/3357384.3357900 论文代码 https://github.com/gjzheng93/frap-pubhttps://github.com/gjzheng93/frap-pub 摘要 越来越多可用的城市数据和先进的学习技术使人们能够提…...

【扩散模型】LCM LoRA:一个通用的Stable Diffusion加速模块

潜在一致性模型:[2310.04378] Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference (arxiv.org) 原文:Paper page - Latent Consistency Models: Synthesizing High-Resolution Images with Few-Step Inference (…...

【PYG】pytorch中size和shape有什么不同

一般使用tensor.shape打印维度信息,因为简单直接 在 PyTorch 中,size 和 shape 都用于获取张量的维度信息,但它们之间有细微的区别。下面是它们的定义和用法: size: size 是一个方法(size())和…...

备份服务器出错怎么办?

在企业的日常运营中,备份服务器扮演着至关重要的角色,它确保了数据的安全和业务的连续性。然而,备份服务器也可能遇到各种问题,如备份失败、数据损坏或备份系统故障等。这些问题可能导致数据丢失或业务中断,给企业带来…...

数据库(表)

要求如下: 一:数据库 1,登录数据库 mysql -uroot -p123123 2,创建数据库zoo create database zoo; Query OK, 1 row affected (0.01 sec) 3,修改字符集 mysql> use zoo;---先进入数据库zoo Database changed …...

Feign-未完成

Feign Java中如何实现接口调用?即如何发起http请求 前三种方式比较麻烦,在发起请求前,需要将Java对象进行序列化转为json格式的数据,才能发送,然后进行响应时,还需要把json数据进行反序列化成java对象。 …...

# [0705] Task06 DDPG 算法、PPO 算法、SAC 算法【理论 only】

easy-rl PDF版本 笔记整理 P5、P10 - P12 joyrl 比对 补充 P11 - P13 OpenAI 文档整理 ⭐ https://spinningup.openai.com/en/latest/index.html 最新版PDF下载 地址:https://github.com/datawhalechina/easy-rl/releases 国内地址(推荐国内读者使用): 链…...

Open3D 点云CPD算法配准(粗配准)

目录 一、概述 二、代码实现 2.1关键函数 2.2完整代码 三、实现效果 3.1原始点云 3.2配准后点云 一、概述 在Open3D中,CPD(Coherent Point Drift,一致性点漂移)算法是一种经典的点云配准方法,适用于无序点云的非…...

04-ArcGIS For JavaScript的可视域分析功能

文章目录 综述代码实现代码解析结果 综述 在数字孪生或者实景三维的项目中,视频融合和可视域分析,一直都是热点问题。Cesium中,支持对阴影的后处理操作,通过重新编写GLSL代码就能实现视域和视频融合的功能。ArcGIS之前支持的可视…...

Nestjs基础

一、创建项目 1、创建 安装 Nest CLI(只需要安装一次) npm i -g nestjs/cli 进入要创建项目的目录,使用 Nest CLI 创建项目 nest new 项目名 运行项目 npm run start 开发环境下运行,自动刷新服务 npm run start:dev 2、…...

DDL:针对于数据库、数据表、数据字段的操作

数据库的操作 # 查询所有数据 SHOW DATABASE; #创建数据库 CREATE DATABASE 2404javaee; #删除数据库 DROP DATABASE 2404javaee; 数据表的操作 #创建表 CREATE TABLE s_student( name VARCHAR(64), s_sex VARCHAR(32), age INT(3), salary FLOAT(8,2), c_course VARC…...

昇思学习打卡-5-基于Mindspore实现BERT对话情绪识别

本章节学习一个基本实践–基于Mindspore实现BERT对话情绪识别 自然语言处理任务的应用很广泛,如预训练语言模型例如问答、自然语言推理、命名实体识别与文本分类、搜索引擎优化、机器翻译、语音识别与合成、情感分析、聊天机器人与虚拟助手、文本摘要与生成、信息抽…...

Java中 普通for循环, 增强for循环( foreach) List中增删改查的注意事项

文章目录 俩种循环遍历增加删除1 根据index删除2 根据对象删除 修改 俩种循环 Java中 普通for循环, 增强for循环( foreach) 俩种List的遍历方式有何异同,性能差异? 普通for循环(使用索引遍历): for (int…...

昇思25天学习打卡营第19天|LSTM+CRF序列标注

概述 序列标注指给定输入序列,给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取,包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。 条件随机场&#xff08…...

微服务: 初识 Spring Cloud

什么是微服务? 微服务就像把一个大公司拆成很多小部门,每个部门各自负责一块业务。这样一来,每个部门都可以独立工作,即使一个部门出了问题,也不会影响整个公司运作。 什么是Spring Cloud? Spring Cloud 是一套工具包&#x…...

探索InitializingBean:Spring框架中的隐藏宝藏

​🌈 个人主页:danci_ 🔥 系列专栏:《设计模式》《MYSQL》 💪🏻 制定明确可量化的目标,坚持默默的做事。 ✨欢迎加入探索MYSQL索引数据结构之旅✨ 👋 Spring框架的浩瀚海洋中&#x…...

JVM专题之垃圾收集算法

标记清除算法 第一步:标记 (找出内存中需要回收的对象,并且把它们标记出来) 第二步:清除 (清除掉被标记需要回收的对象,释放出对应的内存空间) 缺点: 标记清除之后会产生大量不连续的内存碎片,空间碎片太多可能会导致以后在程序运行过程中需 要分配较大对象时,无法找到…...

2024年6月后2周重要的大语言模型论文总结:LLM进展、微调、推理和对齐

本文总结了2024年6月后两周发表的一些最重要的大语言模型论文。这些论文涵盖了塑造下一代语言模型的各种主题,从模型优化和缩放到推理、基准测试和增强性能。 LLM进展与基准 1、 BigCodeBench: Benchmarking Code Generation with Diverse Function Calls and Com…...

大数据面试题之数仓(1)

目录 介绍下数据仓库 数仓的基本原理 数仓架构 数据仓库分层(层级划分),每层做什么?分层的好处? 数据分层是根据什么? 数仓分层的原则与思路 知道数仓建模常用模型吗?区别、优缺点? 星型模型和雪花模型的区别?应用场景?优劣对比 数仓建模有哪些方式…...

[机器学习]-4 Transformer介绍和ChatGPT本质

Transformer Transformer是由Vaswani等人在2017年提出的一种深度学习模型架构,最初用于自然语言处理(NLP)任务,特别是机器翻译。Transformer通过自注意机制和完全基于注意力的架构,核心思想是通过注意力来捕捉输入序列…...

基于深度学习的电力分配

基于深度学习的电力分配是一项利用深度学习算法优化电力系统中的电力资源分配、负荷预测、故障检测和系统管理的技术。该技术旨在提高电力系统的运行效率、稳定性和可靠性。以下是关于这一领域的系统介绍: 1. 任务和目标 电力分配的主要任务是优化电力系统中的电力…...