有梦想的人,始终在路上!(记阿里实习生霸面经历,拿到offer)

今年2月份的时候就在网上找了阿里实习生的内推,然后过年期间一直在家里准备算法,看完了《算法》一书,实现了书中提到的多种数据结构,比如堆、散列表、红黑树等等。因为没有面试经验,也不知道面试会是什么样的形式,会问什么样的问题,我只是觉得把数据结构和算法理解透彻就可以了。原来还是我太天真了,我完全没有准备常见面试题。然后阿里3月份的时候就开始了内推的电话面试,由于准备不充分,TCP三次握手的状态都没有弄清楚,Java垃圾回收的原理也没有深入了解,在二面的时候理所当然的挂掉了。然后就安慰自己还可以准备阿里的笔试,然而在出笔试结果的那一刻,自己也是感到莫名的失落,又是待回绝。不过自己早就打算好就算笔试没有通过,也是要去成都霸面的,心态没有崩溃,只是越来越感到压力山大,实验室的小伙伴们都已经陆陆续续的拿到了offer,唯独自己还在为面试做准备。但是现在自己确很感激过去的这两个月时光,也真的佩服自己能够化压力为动力,佩服自己能坚持下来。在这两个月的时间里,自己不断的看书、总结,真的感觉自己的能力有了一个质的提升,相信这也是我能在去成都面试时保持自信的原因之一吧。

时间飞逝,很快就进入了5月份,今年阿里在成都沃特酒店面试,我因为笔试没有通过,也很清楚这是最后的机会,就只能去霸面了。而且那天我真的很有自信,可以说自己从来没有这么自信过,我甚至觉得只要能有面试机会,我就能通过面试。然而实际情况总不如自己想的那么如意,5月5号上午,我们几个小伙伴早早的就到了酒店等候,等时间差不多的时候,我们几个上楼说明来意,然后把简历交给了工作人员,然后就进了等候区静静的等。大概等了3个小时吧,在上午11点左右的时候,HR姐姐把我们的简历退回来了,说面试官觉得不太合适,说我们可以回去了。我们等电梯的时候还安慰我们说我们可以等阿里的校招。

起初自己本是一个很放松的心情等待面试,并且经过跟面试结束的同学交流,觉得自己水平应该能达到要求,然后心里更放松了。可是万万没想到,自己的简历居然都没有通过,直接被退了回来,心情还是一下子变得很失落。当时就想,没有机会了,跟小伙伴一起默默回到了酒店,如果不是因为我们早上出门时续了房,估计当天也就会回重庆了吧。回到酒店之后,在网上查了查别人霸面的经历,察觉到霸面的人基本上都不是第一次就成功争取到机会的,然后我们就决定下午再去一次,几个小伙伴还修改了自己的简历。我因为来之前简历已经改了无数次,让同学、老师都提过不少建议,觉得实在是没什么可以改的了,就带着同样的简历,继续去霸面。这次根本就不让我们进屋子里等了,让我们在外面等。然而这次自己仍然没有通过简历筛选,HR姐姐又把我们的简历退了回来,说面试官觉得不合适,但是我猜测我们的简历根本就没有经过面试官,我同学也说他听到HR姐姐说这个人已经被刷过了,当时真的觉得没有一点希望了。然后就和同学到12层,找另外几个面试产品的小伙伴。在和小伙伴交流的过程中,我做了一个决定——换个职位再申请一次,经过了几分钟的心理挣扎之后,我毅然的上了25楼,这次我没有把简历交给工作人员,而是直接给了那个HR姐姐,然后说明自己希望能够换个职位试一试,还讲了自己是从重庆过来,希望能有一个面试机会,不想就这样带着遗憾回去。

估计HR姐姐也是真的被我打动了吧,接过我的简历说帮我去问一下,让我先在外面等一会。我也只好默默的等,但是至少觉得还有一线希望。然后没几分钟,工作人员就叫我过去在简历上写上职位意向和工作城市意向,写好后就让我进屋子里面等叫号了,这下终于觉得有希望了。说来也真是运气好,时间大概是下午不到5点钟,我投的数据研发工程师的职位,估计正常预约面试的人基本都结束了。所以我等了大概半个小时就被叫到去参加一面,一面的面试官很和蔼,我在他对面坐下以后,所有的紧张感都消失了。面试官浏览了一下我的简历,然后就让我讲讲自己觉得做的不错的一个项目,因为来之前我对我的项目进行了充分的准备,几个重要的点都讲的很清楚。面试官听我讲完,还给我的项目提出了几个值得改进的地方,并从架构上给我分析了我的项目,那一刻我对面试官也是充满了钦佩,所以最后面试官问我有什么问题的时候,我就问了下他的花名,并让面试官给我今后的学习提了些建议。初面大概进行了50分钟,面试官最后直接跟我说你一面通过了,但只是勉强通过,说对于本科生,能了解到这些也很不错。出来之后我就在等候区等待二面,不到10分钟我就被叫到了,二面的面试官是个主管,给我的感觉是十分平易近人然而又不失严肃,既有一种气场又不给人压力。先让我做了自我介绍,然后就以聊天的语气问了些问题,氛围一直都很轻松,面试官也没有问我太多的技术细节,主要还是以了解我的视野、世界观、性格、学习能力、学习热情等方面为主。最后面试官还给我提了一些学习上的建议,我觉得十分受用。二面大概一个小时,结束时已经快要晚上8点钟了,我在等候区等待结果,不知道自己过没过,心里还是有些忐忑。不过我等了不到5分钟就有工作人员叫我到25层进行HR面试,然后我被带到了25层的等候区,这时候等候区就只有我一个人了,说来也真的是运气好,我应该是当天最后一个HR面试的人。HR姐姐知道我是从重庆过来的,就了解了一些具体情况,还问了一些有关我的大学生活、实验室生活、家庭环境等方面的问题。就像是在和朋友聊天,表露出真诚就好了。面试大概进行了40分钟,结束的时候已经快到晚上9点了,并且那个HR姐姐晚饭还没有吃。结束时HR姐姐让我先在外面等一下,我正准备回到等候区,发现等候区灯都关了,工作人员说今天的面试已经结束了,让我回去等结果就可以了。我就说是HR姐姐让我在外面等一下,然后工作人员就进去问了一下,出来跟我说,刚才HR姐姐让我留下是考虑到我是从重庆过来的,而后天上午要邀请我参加阿里的圆桌沙龙,想问我有没有打算在成都多住一天,我当然决定多住一天了!工作人员最后说,现在你可以放心的回去了吧。然后我谢过工作人员,就下楼去找小伙伴了。

这一天真的很累,很疲倦,然而结果总算令人满意,当晚大概在凌晨四五点钟才睡着,满脑子都是当天面试的过程,十分感慨,觉得所有的付出都值了。7号上午,开开心心的去参加了圆桌沙龙,我被分到了蚂蚁金服,这天上午了解了很多阿里的文化,HR姐姐们和主管们给我们解答了很多问题。结束时也已经11点多了,然后匆匆回到酒店,退房,准备返校。这三天经历,虽然坎坷,但收获很多,仅以此文留作纪念。

总结一下我的收获吧:
1. 学习要脚踏实地,要真正的学进去、钻进去,有真才实学,才能充满自信,才能创造价值。
2. 遇到挫折要敢于面对,要能坚持下去,要相信自己,给自己鼓励,学会化压力为动力。
3. 机会要自己争取,要敢于尝试,一次次的逃避只会让你失去的更多。
4. 不要找借口,而要找原因。找借口只会让你越来越弱而自大,找原因则会让你越来越强且谦虚。
5. 要保持乐观平静的心态,除了生死,其他的都是小事。
6. 学会感恩,感恩每一个给你带来帮助的人,如果没有他们,结果可能完全不同。

每天去实验室或者图书馆的路上,总能看到一个写着名言的牌子:人生最大的光荣,不在于永不失败,而在于屡仆屡起!每次经过那里,总会受到莫大的鼓舞,感谢我身边的一切,路还很长,在一个新的起点,期待一个更好的自己。

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 3
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