测试人生 | 00后拿下了名企大厂 offer,这个后浪学习之路全公开

原文链接

本文为霍格沃兹测试开发学社优秀学员跳槽笔记,测试开发进阶学习文末加群。
本人先简单介绍一下,本人今年7月大学毕业(大学还没毕业),学的是机械专业,现已拿到某头部互联网公司的offer,年薪超过30W+。现在把本人的经历写出来,希望给后面像我一样毕业准备直接工作同学的一些建议。

逃离机械专业


本人21年暑假前还想着考研,暑假快结束时,突然发现学习课本知识特别压抑,而学习的专业又是机械工程(就业啥的你们都懂),想逃离本专业,那么就有两条路可以走:
1.转专业考研(时间来不及果断放弃了)
2.找份好工作(当时自己唯一选择)
选择测试开发的原因是我的确不是科班,暑假都过完了,想转码去大厂时间压根不够,测试开发非常适合理工科非科班想进入互联网技术岗的同学们。
报班前,我还自己出去面试过测试实习,人家觉得我什么都不会,基础差不适合该岗位,为了我的未来不灰暗,我咬咬牙,找父母借了钱准备报班。

初识霍格沃兹,就是最值得报的班

关于为什么会选择霍格沃兹而不是其他的培训平台:

首先它的创立者思寒在目前互联网的测试开发领域的地位不用说,就是一个大牛,靠谱~其次,这个课程是我在牛客上看到的,牛客给的推荐,肯定也是权威且有效的。最后我当时报名前看了学习的知识体系,觉得知识体系很完善,而且还有Python基础的学习(会一门语言在技术岗特别重要)
就觉得特别合适,果断花钱报了霍格沃兹的测开就业班。

了解大厂的校招招聘需求:

作为大三大四想就业测开方向,走校招方向,那么测开方向想进大厂,我并没有选择第一时间把所有班级课程听完,而是重点查看大厂的校招的招聘要求(大概如下):
1.会一门编程语言(JavaorPython,大厂必问算法,一定要重点学习!)
2.熟悉测试理论,并且热爱测试(面试官往往拿个小模块举例子来问你,等价边界值什么的一定要会)
3.其余的如LinuxMySQL的基础都是必问的
4.了解接口测试会使用测试工具是加分项(我个人没有学很深,仅仅了解)
作针对性学习,兄弟姐妹们我们是校招不是社招,一定要针对性学习!

我的成长及面试真题

跟着平时的课程走,我个人对于测试开发理论的理解更深入,学院会为我们安排每周的学习内容,通过一周的学习,先初步形成一个印象,每周六的直播课,将这周所学的内容来此实训,加深了对知识的理解。个人觉得特别适合小白们。
可是当纯这样我觉得就进大厂还差点意思,不能单靠周六实训课去加深理解,平时工作生活中如果能运用,那么将会技术能力飞快上升,所以接下来我找了一份测试的实习生工作(这里可以去找霍格沃兹的人帮忙内推,可以说是十分贴心了),在工作中充分吸收平时学的东西,理解能力DAYDAYUP。个人真的建议找大厂工作前可以找份测试相关的实习,特别有用,LinuxMySQL甚至还有测试工具的使用在平时工作就用得到,用多了就会了啊兄弟姐妹们,学到的东西一定要多用多看。
关于Python啥的平时多做做测试人社区的每日一题,特别有助于理解熟悉这门语言。算法则是常见的冒泡,快速排序等必须得会(我有一次面试就败在这,一问我???)校招测开面试主要就是看你编程语言(python/java+mysql+linux)+基础测试理论,不需要一直死盯一些大后期工作上的东西,等面试通过了再学也一样的。
我是秋招投了京东,小米等,找的内推免笔试直接面试,我遇到的面试题大概如下:
1.自我介绍(这里真别就简单自我介绍,完全可以把自己的优点全部展示出来)
2.因为我参加实习了,具体问了我平时如何进行测试工作?测试的什么模块?怎么测的这个模块?
3.测试流程大概是什么?
4.给你一个购物车界面,你怎么测试?
5.怎么测试手机相机功能?
6.平时用的测试框架是什么?pytest框架下怎么入参?
7.Linux怎么杀死进程
8.Python函数怎么传入可变参数?*arg**kwarg的类型是什么?
9.Mysql的增删改查,统计表中的成绩最好的两个同学的名字,年级等
10.你今后的职业规划?能否接受加班等?

以上就是我分享的经验啦,祝大家早日拿到心仪offer!
更多技术文章分享

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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