2015年腾讯暑期实习面试

    大3下学期,是时候考虑暑期实习的问题了。对于IT男来说,进BAT实习是梦寐以求的。

    我们学院的传统是能自己找到暑期实习,就能免去暑假在9#的10天强制性实习。

    以前的学长学姐,有去百度,去哪网实习的。我也从3月份就开始,跟着实验室的一群哥们找实习,有内推的机会就好好准备面试。

正文从这里开始 !-)

    4月份初,参加鹅厂的在线笔试,题目大多是设计网络、数据结构和系统等等。后面的提高题考的都是比较全面的,诸如完成一个系统之类的。我基础题大概完成了,但是心里没有底,因为数据结构实在太烂了,后面的提高题完成了部分。原以为鹅厂就这样和我擦肩而过了,没想到4月中旬收到了鹅武汉专场的面试通知(短信+邮件,这个还是很正规的)。我的一面时间是在4月15日,武汉专场的第二天(听说第一天去酒店面试的人数超过了2K人,酒店还出动了安保维持秩序,不亏是BAT)。第二天下午早早的就赶到了会场,会场人数还是很多。签到过后就是等着工作人员叫号,和之前短信约定好的时间出入不大。

4月15日

    一面的时候,是一位三十多岁的大叔,给人的感觉很和蔼,不知道是不是面试太久的原因,我能从他的脸上看出他应该比较累。递上简历之后,大叔看了将近两分钟,就让我介绍一下简历上面写的一些项目经验。这里我要澄清一下,可能并不是所有的面试都要作自我介绍,有时候在你的简历上面,用显著的内容大概介绍自己的情况就可以了。面试官在看你简历的同时,还要听你的自我介绍,你可以想想这个的效果其实并不是很大。你能在简历上面大概的介绍自己,也是一种能力吧(因为我的几次面试,都没让我自己介绍,我就萌生了这样的观点,有异议勿喷)。一面总体上来说很轻松,因为写的项目都是自己参加做过的,所以一说起来就刹不住车,也经得起追问。涉及的技术,不管是项目代码技术还是项目管理技术,按照事实回答就好。回答问题的时候尽量做到自信,记住一点:坦诚!!!就这样,三十几分钟的面试很愉快的结束了。

4月16日

    二面的时候就比较曲折了。大概就是我按照约定的时间去面试,结果在让我等了一个多小时后,被告知面试官因为急事已经赶回深圳,然后就是等电话面试。。。

4月17日

    很失落的回到学校,在一晚上的等待无果后,17日早上赶到会场想了解下情况。因为17日已经是武汉专场的最后一天,会场的人很少,大多是外省或者其他城市的同学。我向工作人员说明情况后,让我留了电话,然后继续等面试官的电话。。。在我刚刚下公家车就接到了面试官的电话,向我道了歉,解释了大概情况后,通知说周六一定会打电话过来,也就是明天。

4月18日

    一天在寝室等电话,无果。

4月19日

    本来还以为不会有电话打过来了,没想到我刚刚出学校,就接到了面试官的电话,问有没有时间进行一下电话面试。接下来就是我往学校赶,发短信给面试官说有时间了,电话马上就打过来了。面试的内容大致是先介绍项目,然后问了关于计算机网络和系统的一些基础知识点,我回答的应该并不好,因为这两门课都是大3下才开课。但我很大胆,也很自信的给他讲了一些自己的见解想法。面试官很像个学长一样,给我介绍了这两门课程的重要性,还给我讲了很多的学习方法和重要的知识点。最后就是问我还有没有什么问题的环节了,我问了腾讯内部一些项目开发等等问题。二面也很愉快的结束了,时间大概是二十五分钟,但是我并不看好我自己的表现,因为网络和系统答得很渣。

4月20日

    刷微信,没想到已经进入hr阶段。很激动!!!

****************我是分割线****************

    后面关于hr面试我就不作详细说明了,很常规的一些问题,并没有出现刁难的问题。

4月24日

    收到offer

    总结语:

    这次的面试,经历的周期大概有十天,每天都是煎熬,一遍一遍的刷微信状态,逛论坛看看最新的录取情况等等。。。面试的话有项目经验和对IT新知识,新领域的一些看法,肯定能加分很多。基础知识的话,数据结构,计算机系统和计算机网络都是很重要的。更多的一点,要大胆,敢出去闯。在面试腾讯的那几天,我也跑了武汉的其他两个公司,也都拿到了offer(小公司)。那一周真的很累,每天上午面这,下午面那,挤公交,挤地铁。心想:就算不能拿到offer,也能学习到面试的经验。面到最后,也就不再紧张了,自己的思考也多了,也成长了很多。

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
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