怎样全面了解应聘者自己的实力

一份有针对性的试题

  一份好的试题能够判断出技术人员基础技术知识掌握的情况,不耽搁面试者时间即能筛选出符合基础门槛的求职者。

  这套试题个人认为应当着重考察基础,不应当炫技。反感一些头脑风暴,一些在工作当中基本不会用到的技术怪异用法等。不应该为了“考”面试者而出题,这样就有些变味儿了。所有试题始终贯穿目的、初心,实在最好。

多问开放性问题

  开放性的问题更能全面的了解一个人的技术水平。对于前端职位面试,比如我会问下面这些问题:

说说你了解的盒模型,定位与浮动
说说你对HTTP缓存的理解
说说你对前端模块化开发的理解
说说你了解的前端性能优化手段
你用过哪些MV*框架,为什么要用?
  之所以要问开放性的问题,就是要避免让应聘者跟着面试官的思路走,给予面试者最大的发挥空间。能力强者对于这类开放性的问题有无限的发挥空间,与之相反,发挥空间就很窄了。

  这类问题不仅能看出应聘者的技术宽度,还能看出技术深度。

  不过,对于此类开放性的问题,面试官应当做好控场,避免跑火车,引导面试者更深入的阐述问题。

了解过往工作经历

  了解面试者的过往工作经历与细节可以更立体的了解一个人综合能力。比如我会问下面这些问题:

谈一谈目前你的工作内容
哪些参与的项目让你印象深刻?你在当中充当什么角色?有些什么收获?
举例说一说你写过的有成就感的前端代码
  通过对过往经历的了解,一个直观的画像就呈现了出来,可以大致评估出应聘者目前的综合能力处于什么阶段,如果招聘过来可以安排些什么工作。

了解工作之外对技术的投入

  了解工作之外的技术投入可以了解到应聘者的技术热情、成长潜力。针对这一部分,我会通过如下问题来了解:

平时通过什么途径,从哪些地方了解与学习新技术、了解技术前沿
有没有个人博客,有没有Github、stackoverflow账号
平时有参与过技术沙龙吗?
在工作之外,有没有利用技术鼓捣一点儿东西
最近有没有在学习、了解一些技术方面的东西
你是如何沉淀工作中的收获,沉淀学习到的新技术
  如果有个人博客,可以通过博客内容看出应聘者的成长路线,通过Github中的代码可以看出代码水平如何。

  通过上述这些问题,基本上能确定应聘者是否是一个有进取心的人。进取心与追求卓越是技术人员成长的钥匙。

  如果应聘者目前的技术能力并不强,但有强烈的进取心、知道如何去补齐短板,这样的人我相信技术不是障碍。因为技术就摆在那儿,只要你愿意去拿就总会拿到的。

  强烈进取心、追求卓越、踏实、靠谱、有责任心、容易沟通,这些特质相对于技术是很难学得来的。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
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