聊聊我所了解的今年秋招的就业情况

本文封面配图来自知乎曾加plus

哈喽,大家好,我是王博Kings,秋招慢慢收尾,陆陆续续互联网公司都或者已经提前结束了秋招进程,大家的offer也都陆陆续续拿到手了

每一年就业情况其实是大家都普遍最关心的内容,尤其薪资水平,其实今年年初我就聊过大家最感兴趣的话题:

聊聊Top2计算机博士2021年就业选择

这两天除了在网上的好友还有周围的师弟们,我都聊了一些近况,感觉今年和往年最大的差别在于钱更多了,就业还是两级分化。

值得说明的是,都是985硕士(本科要么本校,要么是保送的),都按照工科大类涉及计算机的都算上了,师弟的情况我只描述几个作为今年的一个参考。

师弟A,今年拿得是小米自动驾驶岗位,做多传感器融合,也就是新的岗位,在北京,总共40w

师弟B,华为,工资+年终奖,总共35w

今年华为给offer有一些慢,我问了其他师弟,其实都投了华为,但是一直没有消息,一直在池子里

师弟C,高德C++工程师,总包48w

师弟D,大疆SP 算法工程,总包48w

师弟E,腾讯,工资+股票+签字费+房补,总共52w

师弟F,阿里云,工资+签字费+杭州补贴,总共38w

这些师弟其中有学霸,也有编程一般的,但是准备秋招还是相当充分,实习留用是最简单和便捷的方式,同时也是一个谈价筹码。每个师弟的offer基本在3个左右,我问了他们,他们并没有海量投,总共投也不过就七八个公司,目标还是非常明确的。

最近朋友招聘也经常发我一些校招简历让我把关,我也认真审阅和提出一些建议。应届生招聘的时候其实大家是比较宽容的,只要能培养,大部分都愿意给你机会,就看你自己面试给考官的感觉和水平了。

今年校招进大厂的话,工资水平都非常不错,不管是在二线城市还是一线城市,都能过一个不错的生活(请大家先别联想买房这件事),单从工资水平看,很多人工作一辈子都可能没有一个应届一毕业拿到的薪资水平高

我一开始就提到了两级分化,分化的含义就是一部分工科计算机专业找工作确实不是很难,刷题后准备基本都能拿到不错的offer;但是其中一部分学生也因为自己只是觉得自己是985硕士,所以没有怎么准备,最后offer基本都不太满意。这点充分证明提前准备的必要性。

祝大家早日收获满意的Offer!

往期的一些话题随谈:

博士毕业去高校难度大吗?  |  研读论文有哪些经验之谈?聊聊跳槽这件事儿聊聊互联网工资收入的组成机器学习硕士、博士如何自救?聊聊Top2计算机博士2021年就业选择非科班出身怎么 有哪些相见恨晚的经验 | 计算机专业科班出身如何提高自己编程能力?博士如何高效率阅读文献  |  有哪些越早知道越好的人生经验? 

-------------------

END

--------------------

我是王博Kings,985AI博士,华为云专家、CSDN博客专家(人工智能领域优质作者)。单个AI开源项目现在已经获得了2100+标星。现在在做AI相关内容,欢迎一起交流学习、生活各方面的问题,一起加油进步!

我们微信交流群涵盖以下方向(但并不局限于以下内容):人工智能,计算机视觉,自然语言处理,目标检测,语义分割,自动驾驶,GAN,强化学习,SLAM,人脸检测,最新算法,最新论文,OpenCV,TensorFlow,PyTorch,开源框架,学习方法...

这是我的私人微信,位置有限,一起进步!

64b7a62391b438b218edfc5899aea953.png

王博的公众号,欢迎关注,干货多多

手推笔记:

思维导图  |  “模型评估与选择”  |  “线性模型”  |  “决策树”  |  “神经网络”  |  支持向量机(上)  |  支持向量机(下)  |  贝叶斯分类(上)  |  贝叶斯分类(下)  |  集成学习(上)  |  集成学习(下)  |  聚类  |  降维与度量学习  |  稀疏学习  |  计算学习理论  |  半监督学习  |  概率图模型  |  规则学习

其他学习笔记:

PyTorch张量Tensor  |  卷积神经网络CNN的架构  |  深度学习语义分割  |  深入理解Transformer  |  Scaled-YOLOv4!  |  PyTorch安装及入门  |  PyTorch神经网络箱  |  Numpy基础  |  10篇图像分类  |  CVPR 2020目标检测  |  神经网络的可视化解释  |  YOLOv4全文解读与翻译总结  | 

6a4e4ddff20cd9a856050b1421c4f8b9.gif

点分享

b628a535e6447bfa6a70ad6c6c396aa9.gif

点收藏

6e7995c99e2f5fe0a846f9a3e30766b7.gif

点点赞

e4d761100d68e44608a10b829d387e28.gif

点在看

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Best_Naomi 是一个经典的博弈论问题,具体描述如下: 有两个人,Naomi 和 Ken,他们在玩一个游戏。游戏的规则如下: 1. 有两堆石子,每堆石子的数量不一定相等。 2. Naomi 先从自己的石子堆中取出一些石子,然后放到一个秤上,称出石子的重量。 3. Ken 看到了 Naomi 称石子的重量,然后也从自己的石子堆中取出一些石子,放到一个秤上,称出石子的重量。 4. 接着,Naomi 又从自己的石子堆中取出一些石子,然后放到另一个秤上,称出石子的重量。 5. Ken 看到了 Naomi 称石子的重量,然后也从自己的石子堆中取出一些石子,放到另一个秤上,称出石子的重量。 6. 游戏结束后,谁的石子重量更大,谁就赢了。 假设两个人都非常聪明,并且想赢得游戏的胜利,请问 Naomi 最多能赢得几次胜利? 该问题的解法需要分成两个部分: 1. 如果 Naomi 不撒谎,该如何取石子? Naomi 要想赢得游戏,她需要尽可能的让自己的石子重量更大。因此,她应该先取出自己石子堆中最小的石子,并把它放到秤上,然后再取出自己石子堆中最大的石子,并把它放到另一个秤上。这样,Naomi 的石子重量就是石子堆中第二小的石子和最大的石子的重量之和。 2. 如果 Naomi 撒谎,该如何取石子? Naomi 撒谎的目的是为了让 Ken 误判石子的重量,从而让自己赢得游戏的胜利。因此,她应该先取出自己石子堆中最大的石子,并把它放到秤上,然后再取出自己石子堆中最小的石子,并把它放到另一个秤上。这样,Naomi 的石子重量就是石子堆中最大的石子和第二小的石子的重量之和。 综上所述,Naomi 最多能赢得一次胜利。
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