关于面试你不知道的几点(转自web开发者)

自两年前担任小团队的管理者起,面试了不少应聘者,现在总结一些应聘者常犯的一些错误。

  1. 认为面试官是掌控全局的人

  不少的应聘者容易紧张,担心准备不足,实际上很少有面试官是准备充分的,并且他们特别容易分心,通常是依靠经验在临时表演。我的好多次面试,都源自人资两分钟前的一个电话,所以我会选择先让应聘者自我介绍,然后赶紧偷看一下简历。

  2. 面试官都很少提出很好的问题

  即使很熟悉你的前提下,面试官也很少会提出有亮点的问题,大多数是非常愚蠢的。比如”自我介绍”,因为这个问题太广泛了。这个时候你最好跳过介绍自己,而重点介绍将如何胜任这个工作,以及过去取得哪些成就。特别是前者,如何让他信服你具有这个能力。比如大多数的求职者都写上自己精通SSH等框架,这刚好是我们想要的,所以我们请他简单介绍ssh交互的过程,但是非常多的人不能完整的描述;相反,有些坦然自己熟悉java的开发,因为之前的公司非常规范,框架都是由资深人员来搭建,所以自己并不熟悉。然后我们提问了一些JAVA的知识,果然很熟悉,所以就聘请他了。(注:我们需要的是JAVA工程师,招聘资料上没有任何地方指明一定要精通SSH框架,但是提问的时候,我们总是习惯性地问一下)。

  3. 自信从容,注意你的肢体语言

  有一位5年开发经验的应聘者,关于技术部分,我们面试了10多分钟,两轮下来确认没有问题了。但是在最后高层主管进行复试的时候,却被刷掉了。原因是面试过程中,他不时地摆弄手中的会客卡,让他有回答问题不自信的嫌疑。

  4. 不要抱怨前公司和同事

  就在今天面试的一位2年经验的JAVA工程师,当问及为何离开之前的公司时,他就开始抱怨之前的公司氛围不好,同事没有工作激情等等。这至少体现他缺乏团队精神。即使后面的面试,他如何优秀,也很难打动面试官了。

  5. 注意语速,并且表达清楚

  6. 尽量写博客和在GitHub上传自己的代码

  这点太重要了,相对于谈话,博客更能让面试官全面地认识你。如果有自己的源码,简直连面试都可以省了。可是这一点很容易被忽略,包括我让新人上传自己的代码至github,并且写博客记录自己的成长经历。他们大多都认为是浪费时间。我只想说:磨刀不误砍柴工。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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