Bell-Lab应聘总结
鄙人刚参加完Bell-lab的应聘等一系列工作,总结一些东东与大家共享.以下这些只是我的个人观点,有很多内容是我根据自己的经历和思考猜出的结论,每人个人都有自己的特点,会遇到自己的问题,很可能与我写的不同.我所写的东西大家姑且看之,不必太当真.并欢迎不断的补充.
第一,简历问题.
由于Bell-Lab这次招聘的规模很大(几百人),递交的简历也很多,人力资源部的人不可能 在每份简历上化很多的时间.所以,简历的书写要求能让阅读者在看上十几秒后,就能吸引他继续看下去.建议用不同的字体/字号等突出你简历中的卖点(只是几个重要的词).但应避免成句或连续的加重表示,因为那等于没有,而且显得很乱.
简历除了赢得一次面试机会外,还有其他作用.面试后是否录用会参考简历里的内容,以后的工作安排也会参考它.因此,只有简单的一,两张中,英文简历我认为是不够的,最好有一些支撑材料.比如老板的推荐信.在这些材料中可以补充简历中不好详细写的内容.简历中很重要的一点是不能过于夸大自己作过的工作,事实就是非常重要.这一点下面还会讲.
第二,英文演讲问题.
现在谈得最多的是45分钟的presentation,似乎也是最难的一个.其实大可不必如此担心. 确实有一些人在此前没有作过这样的事,但只要准备好依然是没问题的.建议的安排是3-5分种的自我介绍,30分钟的演讲,余下的时间让他们提问.自我介绍部分正常的语速3分钟可以讲300词左右.演讲平均1分钟一张胶片.事先一定要演练几遍,直到能讲得比较流畅,不会停上20秒以上没话可说.如果在演讲中突然遇到卡壳的地方,比如某个单词忘了,第一选择是换一种说法,此时语法就顾不上了.如果不行就跳过它.因为你不作明显地停顿,听的人是不会注意的.如果他关心这个问题,自然他会问,你也有时间去慢慢讲.语言只要能用来交流,能表达你的想法就可以了,出点错问题不大,尤其是口语.
他们的提问我遇到的是用英文,也有人说提问他的是中文.如果时间不够,他们也许会用中文.提问的东西通常是与你讲的内容有关,但不一定是你讲的主要内容.通常是提问者所熟悉的部分.我遇到的问题几乎都与测试有关,但这只是我讲的内容的1/10,几乎是一句带过的东西.不过贝尔实验室倒是有很多人在搞测试.(其他外企也类似)补充一点,我面试时,演讲有两个人听.
第三,face to face 的interview问题.
面试你的就是贝尔实验室的普通员工,据说是在贝尔实验室工作一年以上的人.我在参观 实验室的时候还遇到了面试官.面试我的两个人都是技术人员,似乎职位不同.面试是一对一的,你待在房间里不动,他们换人.通知我面试的时候还说中英文都有可能,害得我准备了好多.实际上都是中文,据说现在通知的时候就明确说是中文.
面试的问题都和简历有关,我估计这也有检验简历真实性的目的在里面,这也是前面提到简历要真实的原因.准备时可以针对你简历的卖点准备.另外也包含一些比较泛的问题,比如你喜欢一个什么样的工作氛围.面试时的回答也应该实事求是.吹牛当场吹暴的感觉可是很难堪的.她问我熟悉UNIX吗?用过C++的开发平台做过程序开发吗?我都回答没有,不过可以加一个尾巴.我说这些工具性的东西学起来很快,我相信自己没有问题.每个人都有他自己的特点,他在录用时也是各因素综合考虑.用中国话讲,作不作假是态度问题,会不会是技能问题.一
次作假会打掉其他很多优点的.(如果我是面试官,我是这样的,不知贝尔实验室的尺度是什么). 面试的时候他们会作一些记录,这一方面是你是否被录用的基础,如果你被录用这也是以后安排工作岗位的基础.面试时有些问题似乎是必问的.比如你还有什么问题?对于你自己你觉得还有什么要补充说明的?
第四.此次招聘的规模.
这个问题比较敏感,我也没有问出个确切数来,估计在几百的水平,应该讲规模是比较大 的.当然基础研究院只要十几个人.另一条原则是宁缺勿烂,他们自己会有一个标准,我估计这个标准不会很高.从已经给offer的一批看,面试估计在150人左右,给offer的在51人.其中北航和北邮的比较多,有理工,北方交大的,清华北大的不是很多,似乎他们交简历也不是很积极.(仅指在北京地区)另一条比较有意思的是,贝尔实验室似乎在刻意保持一定的男女比例.给offer的女:男有1:2,面试时似乎没有这么多女士.女士优先,呵呵.
第五,待遇问题
贝尔实验室内部的待遇是分级的(说是按朗讯的制度).应届生似乎是按硕士和博士给不 同的级别(相差一级).有工作经验的,据说硕士4年可以拿应届博士级的水平.在著名的外企中,Lucent不是最高的,当然也不是最低的.似乎在中等偏上.
每年给大公司都会将自己的薪金,福利交给职业的调查公司,由调查公司给出本公司的排位.当然,调查公司是不会给其他公司的情况的.所以从商业的角度考虑,这些著名的外企的待遇不会有很大的差别.当然,与小公司相比,大公司的薪金制度是相对死板的.没有突然发大笔奖金的机会,股票也不多.这些大的外企一般能让人在北京过上相对舒适的生活,干上十几年也许能达到百万的水平,属于劳动致富型,没有什么发财的事情.自己弄个小公司,经营得还过得去,收入就会比在外企打工高.贝尔实验室是解决北京户口的,据说是海淀的.其他的住房/医疗/养老等国家规定的制度他们是会遵守的,这也是大公司的好处.当然真的折算到钱上,也不是一笔很大的数目.
第六,发展问题
我个人觉得学计算机的除了贝尔实验室外,还有许多其他的选择,比如Microsoft, IBM, HP, Intel.这些应该说都是在同一档次的,并且似乎贝尔实验室(北京)不是最佳的. Unix是贝尔的发明,可用得最成功的似乎不是Lucent.
对学无线通信的人而言,Nokia, Ericsson, Siemens, Moto也是不错的选择.坦率地说,lucent和Bell-lab在无线领域是相对落后的,尤其在GSM体制上.当然,这并不意味着加入Bell-lab就不好,也许因为他需要追赶,你的才能在他能够得到更大的发挥.
对搞有线通信的人讲,Lucent和Bell-lab我认为是不错的选择.一是因为朗讯的实力在这方面是很强的,二是因为我没找到其他很好的选择(哪位朋友能向我推荐几个).北电网络在10Gb/s的传输系统上目前取代朗讯成为市场的老大.但其综合实力应该还是在朗讯以下的,他的成功是因为朗讯的战略是在2.5Gb/s上DWDM,而推迟了10G的研发.光通信在美国有许多公司,如Ciena, sycamore, Tellab等,但他们似乎没有把研发转到中国的打算,如果是搞市场,不妨去那里试一下.朗讯的光传输主要在上海.
第二篇:matlab总结
Matlab总结
一、Matlab运行libsvm运行环境
1、使用的libsvm-mat-2.89-3
2、Mathworks.Matlab.R20xxb
3、VS 6.0++
4.、XP操作系统
二、操作步骤
1、打开matlab,切换到c:\libsvm-mat-2.83-1目录下,输入mex –setup,使用vs6.0++的编译器(其它可能不行),如果
Error svm.cpp: 13 syntax error; found `<' expecting `;'
Error svm.cpp: 13 skipping `<'
Error svm.cpp: 13 syntax error; found `T' expecting `;'
Error svm.cpp: 13 syntax error; found `>' expecting `;'
Error svm.cpp: 13 skipping `>'
make生成svmtrain.mexw32,svmpredict.mexw32和read_sparse.mexw32文件,然后在matlab的菜单File->Set Path->Add Folder里,把c:\libsvm-mat-2.83-1目录添加进去,这样以后在任何目录下都可以调用libsvm的函数了
load heart_scale.mat
model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 2');
运行正常并生成了model这个结构体(其中保存了所有的支持向量及其系数),那么说明libsvm和matlab之间的接口已经完全配置成功。
>> [predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);
Accuracy = 86.6667% (234/270) (classification)
2、运行流程
Load XX.Mat将数据装载到workspace中,根据XX.m函数或算法使用symtrain生成mode模型,根据mode,使用sympredict经行预测。
三、与java的接口
通过deployment tool生成.m文件,把生成的jar包拷贝到myEclipse里,还有javajbuilder.jar.
注意:在没有安装matlab的环境下调用,需.net和matlab的运行环境,安装dotnetfx.exe、MCRInstaller.exe文件,安装后myEclipse需重启。
matlab的libsvm使用的数据格式
在matlab的libsvm使用的数据格式如下:
>> load heart_scale.mat
将训练数据载到到workspace中,其中,数据如下:
这里有两个数组:一个是n * 13维的数组,是训练数据的特征数据;另一个是n * 1维的列向量,对应前一数组,是特征对应的分类号。
其实,大家组织数据时,只要把特征向量,和类标志读到matlab的workspace中,就行了,就是普通的数组。
特征数据组织成这样:
对应的类别单独放在另一个变量:
这种格式的数据整理很简单,如在文本文件txt中,你就可以直接放一个和上图结构类似的数据,如下,然后用textread或dlmread读入workspace就行了。
iris_inst.txt
5.1 3.5 1.4 0.2
4.9 3.0 1.4 0.2
4.7 3.2 1.3 0.2
4.6 3.1 1.5 0.2
5.0 3.6 1.4 0.2
5.4 3.9 1.7 0.4
4.6 3.4 1.4 0.3
5.0 3.4 1.5 0.2
……
iris_label.txt
1
1
1
也可以整理到excel表格中,直接用xlsread读入。更简单的是在workspace标签旁的current file中直接双击这样的数据文件就导入到workspace中了。
使用时,根据你自己的训练样本的特征数组、类别数组,对例子中的参数做对应替换就行了。
>> model = svmtrain(heart_scale_label, heart_scale_inst, '-c 1 -g 0.07');
自己使用时,heart_scale_label换成你自己的类别,heart_scale_inst换成自己的特征属性矩阵。
这个运行后就得到了训练后的model模型。
下面就要使用model进行预测了:
>> [predict_label, accuracy, dec_values] = svmpredict(heart_scale_label, heart_scale_inst, model);
预测使用的数据格式和训练样本的相同,heart_scale_label换为你测试样本的类别列向量,heart_scale_inst换成你测试样本的特征属性矩阵。运行结果,就在predict_label, accuracy, dec_values三个变量中。
我的理解是,类别预测时,预测的类别放在predict_label中;回归预测时,结果放在dec_values中。这是我的大致猜测,readme里肯定有说明。大家自己看看吧。