2014年11月15日SIE赛意公司面试

2014年11月15日SIE赛意公司面试

        昨晚收到SIE(赛意)公司的面试通知,群面+单面共2个小时,今天中午就屁颠屁颠得跑到体育中心了。话休烦絮,直接进入正题。
        1点半的面试,到公司门口已经1点15。稍微休息下,也没有和旁边的同学讨论(面经上说最好认识一下的,这样群面可以亲切得称呼),就直接进入会议室。这次面试9个人,考官大概有5、6个,在会议室各个角落,我感觉快有密闭恐惧症了。
        主持人宣布规则:分发材料,10分钟分析+1分钟自我陈述+25分钟讨论+5分钟总结。
        上午认识的朋友说题目是“破窗理论”,根据材料提供的原因进行重要性排序,我还专门恶补了相关知识呢。可是亲眼看到题目就傻眼了,根本不一样,可能是上午下午题目就变化了。具体题目是这样的:一个游戏公司有一个近10个月的时间研发新产品。从风投那里获得100万的投资,如何分配这笔资金,让相关部门协调起来,共同完成这款游戏产品的整个生命周期,最后选出优先考虑的3个部门。相关部门包括:市场调查部、程序部、运营部、技术部、策划部、美工部和测试部。
        大家的见解当然是各有不同咯。有人做了统计,选择优先考虑市场调查部的有7票,程序部的6票,运营部的5票(和我的想法是一样的哦,哈哈哈,不过我的也不一定对,没有正确答案的,主要是分析过程)。其中有个朋友挺聪明的,竟然提出了10%的备用资金,这样在突发事件的情况下也能够应对自如。最后我们的讨论结果是:预留资金10万,市场调查部15万,程序部、运营部各20万,策划部10万、美工部9万,技术部和测试部各8万。
        理由如下:市场调查是新项目的开始,只有精确掌握目标受众的需求,才能给项目指明一个正确的方向。程序部是核心,只有提供出用户给出的功能,这款游戏才能收到客户玩家的喜爱,作为程序员的我当然想把程序员同志们的工资涨涨涨啦~~。运营部主要负责宣传造势,如今的社会,再好的酒也出不了深巷子,大家的生活节奏加快,每天各种新游戏又层出不穷,如果不大力宣传游戏产品,推出的时刻就已经被无穷的其他游戏给吞没了,前期没有大基数的玩家试玩,将来能否成长起来还是个问题呢。策划部掌握着开发的进程,也不容忽视。至于提供服务器硬件以及技术支持的部门、测试的部门在这里被鄙视了,总共才给了15万。美工部的也没有好很多。不知道真正的游戏公司是如何分配的,如果有大侠可以指教一二哦。
        公司效率蛮快的,十分钟就宣布可以进入二面了。
        二面的HR姐姐挺漂亮可爱的~~我好幸运啊!开头就是常见的3分钟自我介绍。接下来问了我最有成就的事、最有挑战的事;如果有些事让你重新做你会怎么样?;在学习过程中和老师同学遇到的矛盾;最近在看什么书?你是如何学习的?对自己的职业规划(职业规划真的避免不了哦);能不能在毕业前到公司实习等。最后问我有什么疑问,我竟然张口要了HR的电话,我反应真是敏捷哈。单面总共也就半个小时多点儿,过的挺快的,在洽谈室小屋里边头都晕了。
        这里给出的讨论结果也没有什么权威性,只当是我第一次面试的总结吧。接下来就剩下等消息了。加油~~
  • 2
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
Ich werde eine Funktion in Python schreiben, um Messwerte aus einer Datei zu lesen und einen Algorithmus zur Fouriertransformation und Rücktransformation zu implementieren. Zuerst müssen wir die erforderlichen Bibliotheken importieren: ```python import numpy as np import matplotlib.pyplot as plt ``` Dann können wir die Funktion zur Messwert-Leseimplementierung schreiben: ```python def read_data(filename): """ Diese Funktion liest Messwerte aus einer Datei und gibt sie als Numpy-Array zurück. """ data = np.loadtxt(filename) return data ``` Als nächstes können wir den Algorithmus zur Fouriertransformation ohne Schleifenimplementierung schreiben: ```python def fourier_transform(signal): """ Diese Funktion berechnet die diskrete Fourier-Transformation (DFT) des Signals. """ n = signal.size omega = np.exp(-2*np.pi*1j/n) k = np.arange(n) matrix = np.power(omega, np.outer(k, k)) spectrum = np.dot(matrix, signal) return spectrum ``` Schließlich können wir den Algorithmus zur Rücktransformation ohne Schleifenimplementierung schreiben: ```python def inverse_fourier_transform(spectrum): """ Diese Funktion berechnet die inverse diskrete Fourier-Transformation (IDFT) des Spektrums. """ n = spectrum.size omega = np.exp(2*np.pi*1j/n) k = np.arange(n) matrix = np.power(omega, np.outer(k, k)) signal = np.dot(matrix, spectrum) / n return signal ``` Um das Amplitudenspektrum zu visualisieren, können wir die folgende Funktion verwenden: ```python def plot_spectrum(spectrum): """ Diese Funktion stellt das Amplitudenspektrum des gegebenen Spektrums dar. """ amplitude = np.abs(spectrum) plt.plot(amplitude) plt.xlabel('Frequenz (Hz)') plt.ylabel('Amplitude') plt.show() ``` Insgesamt sieht unsere Implementierung wie folgt aus: ```python import numpy as np import matplotlib.pyplot as plt def read_data(filename): """ Diese Funktion liest Messwerte aus einer Datei und gibt sie als Numpy-Array zurück. """ data = np.loadtxt(filename) return data def fourier_transform(signal): """ Diese Funktion berechnet die diskrete Fourier-Transformation (DFT) des Signals. """ n = signal.size omega = np.exp(-2*np.pi*1j/n) k = np.arange(n) matrix = np.power(omega, np.outer(k, k)) spectrum = np.dot(matrix, signal) return spectrum def inverse_fourier_transform(spectrum): """ Diese Funktion berechnet die inverse diskrete Fourier-Transformation (IDFT) des Spektrums. """ n = spectrum.size omega = np.exp(2*np.pi*1j/n) k = np.arange(n) matrix = np.power(omega, np.outer(k, k)) signal = np.dot(matrix, spectrum) / n return signal def plot_spectrum(spectrum): """ Diese Funktion stellt das Amplitudenspektrum des gegebenen Spektrums dar. """ amplitude = np.abs(spectrum) plt.plot(amplitude) plt.xlabel('Frequenz (Hz)') plt.ylabel('Amplitude') plt.show() # Beispielverwendung der oben definierten Funktionen data = read_data('messwerte.txt') spectrum = fourier_transform(data) plot_spectrum(spectrum) reconstructed_signal = inverse_fourier_transform(spectrum) ``` Die Funktion `read_data` liest Messwerte aus einer Textdatei (z.B. 'messwerte.txt') und gibt sie als Numpy-Array zurück. Der Algorithmus zur Fouriertransformation `fourier_transform` berechnet die diskrete Fourier-Transformation des Signals, während die Funktion `inverse_fourier_transform` die inverse diskrete Fourier-Transformation des Spektrums berechnet. Die Funktion `plot_spectrum` stellt das Amplitudenspektrum des gegebenen Spektrums dar. Schließlich haben wir die Funktionen verwendet, um das Amplitudenspektrum zu visualisieren und das rekonstruierte Signal mit `reconstructed_signal` zu erhalten.

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
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