阿里百度2015实习生面试经验分享

        本人计算机学术研究生,今年研二下学期,本着降低九月份校招压力的目标,从三月份就开始着手准备各大公司的实习生面试,下面是面阿里和面百度的经验总结。

一、面阿里 地点:合肥某高大上酒店

1. 基础知识一定要扎实。

        包括面向对象几大特征(三大或四大,详细),设计原则,java内存机制,java编译运行过程,常用类库,TCP(三次和四次)等等。虽然这些概念题分值不高,说的过程中也很可能就被面试官打断了(二面的时候讲面向对象和设计原则的时候就直接被打断,面试官只要了解你知道这些概念基本就不考查了)。不过千万别觉得这些概念滚瓜烂熟了就没问题了,面试官会抓住一个或者几个点往深来问,比如.java编译成.class的具体过程是什么,虚拟机干了哪几件事;类库AWT到SWING有哪些地方做了改进,请举例说明等等。如果这些深入一点的知识不能答个一二的话,会让面试官觉得这个人浅尝辄止,不喜欢钻研。

2. 项目的要求真心很高(针对研发类的现场面试)。

        如果说概念基础算是前面的小题,那么项目经验就是后面的大题了。做过的项目面试官会问的很细很细,包括用到的技术和遇到的问题以及对应的解决方案等等,一二面都会有,一面偏做了什么,二面偏怎么做的,所以一般情况下如果不是很有把握的项目别往简历上写,答的不好可能还会减分。当然,不需要整个项目都了解得非常透彻,只需要吃透自己在项目中负责的部分就行了。不过要做到“吃透”不容易,尤其对于我这样刚做了一年“学术盲”的人来说,要捡回来老早以前的小项目的各种技术细节,得下血本。

3. 优秀程序员的自我修养。

        小题和大题前面已经说了,这部分我称之为附加题。当时二面问我:平时有没有逛逛开源社区,讲讲熟悉的开源框架,对什么开源代码有过研究,有没有看过虚拟机源码,举例说说java源码的优雅实现......由此可见,这个二面很是看重“源码研究”这项经历!干货一样的面试,我很感谢那个二面官,因为这些问题我没有答好,感到些许惭愧的同时也庆幸他帮我敲响了警钟,深知我还有很长的一段路程要走,很多事情要做,浮光掠影、只知其一不知其二可不是钻研的精神,我需要沉下心来好好搞技术。

4. HR面

        虽然二面表现不怎么好,终究还是让我过了,谢天谢地。我是倒在了可爱的HR姐姐手下的。总结了几点吧:一是自我介绍。每轮面试都会有自我介绍的,不过我当时真没考虑HR面的时候还需要自我介绍,所以就把准备给技术面的自我介绍又再说了一遍,感觉重新准备一个专门给hr的自我介绍会更好一些,毕竟她们都不是搞技术的,技术方面的介绍可以相对少一点。二是尽量少说无关紧要的话,比如辩论赛最佳辩手、元旦晚会主持人、去国科找寻梦想之类的......这些话非但不怎么加分,还会让hr感觉这个人很能说,而且大老远跑来面试还不止一件事情(显得不专一、不重视之类的感觉)。三是一定要表达出十分想十分想这个实习的机会,非你不可的样子,而且会很靠谱,其他方面酌情表现就行。四是要有明确的职业规划,如果有幸被录取,打算在这个行业这个工作这个公司怎么工作下去等等。关键还是少说话,言多必失,毕竟交流的时间就那么几十分钟,很多时候其实自己并不是那个意思,但hr可能就会根据自己的言词而理解成很不好的样子。ps:阿里HR问了星座。。。

5. 其他

        切身体会,阿里是真的真的一点不考算法(之前的内推也是),整个面试过程当中半个算法都没问,脑筋急转弯也没有。或许因为我简历里面已经写了搞过ACM所以考我也没啥意思吧。对于HR最后的决断,我表示理解,毕竟人家要选择的是将来能和自己以及自己的小伙伴们一起共事的人,认为不满足要求或者觉得不合适也是很有可能的,逼近了解的时间只有那么多。总之,虽然只是实习生面试,个人感觉难度已经很高了,至少比之前的内推电面要难上几层。

ps:阿里的招聘流程至少是国内计算机行业最正规的了,现场等待面试就跟蹲医院等着叫号就诊是一样一样的,现在想想都还有点小激动,紧张刺激很带感。


二、面百度 地点:电话

1. 基础算法能力是重点

        这一点与阿里截然相反,本科那会儿面百度时一二面也都是问的算法题。当然,百度也不是仅仅纯考算法能力,而是有相当一部分的面试题是结合具体的业务场景提出的。比如20亿条查询请求(有重复),每条记录4字节,内存只有1个G,怎么求次数最多的查询(或者最频繁的K个查询)之类的问题等等。

2. 思维和想象力很重要

        百度实习面试重在思考而不是丰富的经历(一隅之见),而思考是体现思维活动的过程。一般会先提出一个具体的问题让你解决,然后会继续问还有什么想法没?能不能有更优的解决方案?直到他满意或者自己答不上来了为止。

3. 项目经验不是很重要

        作为实习生,本身就是因为没有丰富的实习经验才实习,不然找实习干什么。而这方面个人觉得百度的面试官就很nice,那二面大哥直接对我说,我们不需要大牛,实习生招进来本来就是来学习的。比较一下阿里实习二面的话:我们不可能把你先招进来再让你学习。应该能明显感觉出他们对待实习生的两种截然不同的态度吧。不过,虽然项目经验不是很重要,但还是要有一些的,因为会问。


三、总结

        阿里重项目经验,百度重算法能力,另外听说腾讯看重的是个人潜力(具体如何未曾经历,二线城市期待腾讯的面试)。至此,BAT三家的面试区别大概如此吧。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
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