记一次面试经历(本人菜的kj)

刚去之后,签到,做面试题,面试题目如下:

1、用二分法和递归查找这个数组中某个元素的位置。

2、用SQL语句表示阴影部分的面积。

3、准备一下你做过的项目,之后和面试官聊聊。

做完之后就是面试过程:

1、问了问在大学期间学了那些课程?

2、才问了你自己做的那些项目,然后当时脑子抽了一样的说我的简历上的项目,这样回答显然不合适。

3、就问了一下spring的aop是啥?

4、问了spring MVC 学过吗?之后问了spring的注解有哪些?

5、就又问了spring mvc有哪些标签?

6、又问了问会不会spring boot?不会

可能杭州就流行spring,面试官就会spring,所以就只有spring。

实在太菜了就问了问Linux,不会。

7、Linux查看一个进程是否在使用的命令?

javaScript问了问怎么选中tab中name值,来使用。

8、之后又问了你一般是在哪里学习新技术的?

9、之后就问了二分法?说得不明不白的,就结束了。

总结:首先觉得很对不起面试官,没有做好充分准备就去了,之后就很尴尬,问了啥都不会。

这也反映了一个问题,大学在学校课本上学的都是基础,在社会连入门都不是,只有在大学期间多跟老师做项目,参加各种活动,千万不要自己学,那样会有千万个遗漏。半吊子的学生最难找工作,不上不下的,会的面试中可能都用不到,不会的可能都是在面试中用到的,还有很多你就没见过的知识,但是也是在面试时遇到的。比较好的可以很容易找到工作。在学校中的知识可能有一大部分都已经过时了,不会再用了,所以就需要自己去学习新的东西,知道一个地区的主流框架知识。

最重要的一点就是在面试中要组织好语言去说,不要乱说一通,不明不白的,要让别人明白。

简历上的自我评价要好好想想怎默写,可能会按照自我评价来问问题,可能会自己坑自己。

总之,本次面试觉得很糟糕,觉得自己就是个傻子,啥也不知道,就去了。不管怎么样,都是一次经历,也是一次经验,加油,能行的。

如果网友有什么好的面试经验可以在评论给个网址,让我学习学习,共同进步。

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,因为它们具有忆功能,能够捕捉数据中的时间依赖性。 5. **长短期忆网络(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
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