云三兄弟的9k offer面试经验贴,给我一个不顶的理由!



云计算的兄弟姐妹们:
    我是云三班的一名同学。其实,我挺感谢黑马的。虽然本人学的不怎么样,但是至少实现了我成功转行的愿望。我也是经历两个培训机构的人,在这里,我真心的想说一句,黑马的老师确实教的很好,技术也很强,上课讲的知识点也很全面。我呢,是一个211大学毕业的学生。2010年毕业,大学学的专业是动物科学。乍一听某某科学,可能会觉得还不错。实际上,这个专业应该叫畜牧更贴切。所以,本人上大学之后,知道这个专业将来是做什么的,也就彻底的对未来不抱什么希望了,浑浑噩噩的度过了4年大学…(青春一去不复返啊,我很后悔!)
毕业之后,跟其他同学不一样,我没有参加工作,而是准备考公务员。国考报名的时候傻眼了,我的专业就限定于几个岗位要,而且条件很苛刻,比如党员啊,硕士学历啊,西部支教1年以上啊,等等硬性条件。让我不得不考虑那些不限专业的岗位,结果就报了一个。报名结束那天,我特意上网查了一下,我报的那个岗位有多少人竞争,结果是6000:3...。其实,我记得那年国考,我的分数也挺高的,但是竞争太激烈,我也顺其自然的笔试没通过。
    第二年,也就是2011年春节之后,我来北京找工作。结果,我发现,并不是大城市机会多,我就有机会的。记得当时在中华英才、智联等搜索我的专业的工作,总共就那么十几个,不限专业的工作,比如销售、房产中介、保险等,门槛很低。但是我也不甘心,毕竟也是大学本科出身,最后我还是找了份跟我专业有那么一点点挂钩的工作。但是我住的地方离上班的地方太远,记得那时候我住大兴亦庄,上班的地方在上地那边。每天上下班来回要坐接近5个小时的车。上了一个星期班,我实在坚持不下去了,就辞了工作。再找,最后找了一个做微生物的公司,刚上班2天,就把我调到辽宁的一个海边小镇。虽然过上了面朝大海春暖花开的生活,但是在那上班确实整天无所事事,而且薪水低的可怜。到最后,我终于找到一个真正属于我的专业的工作,入职了沈阳正大畜牧。记得当时入职的岗位是饲料品控,结果刚去上班就把我调到销售部,并且把我派到一个小村子,住的是平房,左边那屋是我们睡觉的地方,右边那屋是小仓库(放饲料),每天傍晚时分,满棚的苍蝇,基本上都看不到墙面…又一次绝望!每天早晨起来开始挨家挨户的跑业务,到后来才发现,在这里很难开拓新市场,毕竟,很多销售人员是当地的农民。一个只懂得理论的人是很难说服有十几年甚至几十年养殖经验的农民的,而且那几个小村子已经有十几家饲料厂竞争。到最后,我跑了几个月的市场,也没拉拢到多少客户,而且也真是干够这行了。
    2012年5月,我开始决定学门技术,后来受我哥们影响,我决定学编程。当时也不知道哪个学校好,然后上网找,基本上都是几个月的课程,最后看到八维的课程是14个月,我怕短期我学不会,我就索性去八维学14个月的吧!满腔热血来到八维,当时报的是安卓班,但是八维的课程,实在不适合我,我在那的六个月基本上算是浪费时间,什么都没学到。记得那六个月的课程有大学语文、高中数学、计算机英语、office、html等,真正编程语言就学了一点点的java基础。我不想在八维继续浪费时间了,因为那时候我已经失去学习的热情了(这里不是说八维不好,只是说八维不适合我)。我就选择来黑马,但是黑马的入学条件必须是有基础的,而且必须通过考试,所以,我年前去了传智的基础班学习。年后家里也挺忙的,也没想到黑马是每两个月开一个新班,所以,错过了云二期,赶上了云三期。
    其实来黑马之前,我java基础都快忘没了。所以,在黑马上课,挺吃力的,而且这边的进度也很快,班里的牛人也很多,我感觉就是越来越没自信。呵呵,反正,那四个多月,我学的不好。毕业之后,很多同学很快就找到工作了。而且工资都不低,我想再学四个月,但是条件不允许,但是真的很多东西没学会,只能破釜沉舟,边找工作边准备了。我们9月10号毕业的,我边工作边准备了一个多月,也是刚刚找到工作的。薪资嘛,自我感觉我是要高了,既然给我offer了,那我就去试试吧,呵呵。如果遇到什么问题解决不了,还有黑马这么多强大的老师和同学呢!

拿到offer之前,我面试了六七家公司,基本上每次面试都是伤痕累累,被虐惨了。面试官问各种各样的折磨人的问题。每次面试完都挺打击自信的,面试当然包含一定的运气的成分,但是大家千万别以侥幸的心理应对。准备找工作的同学,都要提前做做准备,尤其是怎样说才能把你的项目说的很圆满!尽量让面试官听不懂你项目中的业务,那你就赢了,而且可以发挥你的想象空间,把一些项目难点说的复杂些,然后再说你怎样解决的,这样面试官就会觉得你有解决问题的能力,会认可你。单纯的问你技术的问题的时候,你尽量要结合项目说,别单纯的聊知识点,如果遇到不会的问题,别急着回答不会。就说以前遇到过这个问题,查资料解决了,但是时间长了,有点忘了,但是我能解决。面试的时候要让面试官觉得你的学习能力很强。遇到一些概念性的问题,如果不会,可以说:我的语言表达能力不是很强,可能你让我说,我说不出来,但是我会用。总之,就是面试时遇到各种不会的问题,尽量想办法绕到自己强项的地方。也要尽量多展示自己的优势。还有一点比较重要:很多同学面试,技术过关了,但是却在HR面试的时候失败了。通常HR是想了解你的性格特点,想了解你的团队意识,以及会问你的职业规划,甚至可能还会问你是不是单身,这里回答一定要注意,他想听到的是你对工作的态度,对未来自己的定位。总之,还是要热情的回答他的问题,别经历过大风大浪,在阴沟里翻船。离职原因尽量别说以前的公司不好,或者说我不想在那工作了,自己编一个让人容易接受的理由。
    其实,我们黑马毕业的同学,大多数都是带着两年的工作经验去面试的,很多面试官更想听到的不是技术,而是业务,所以同学们要坚持到最后,尤其第二个项目,都要认真听听!我觉得,我们刚毕业出来的同学,理论知识都挺强的,所以,我们在笔试上占优势,我入职这家公司,就是在笔试上,淘汰了很多人。当然,技术也要能说出来!
    最后,祝大家都能找到一份满意的工作!实现自己的理想!
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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