招聘16000个岗位，月薪平均19.6K。。。
你好，我是郭震
京东宣布，2025校招8月1日开启，提供1万6千个岗位：
今天这篇文章总结岗位薪资、面试经验、面试题目。
1 京东薪资
在1万6千岗位中，包括1万+毕业生岗位，6千个实习生岗位。
同时，京东1号园区正式启用，新建D、E、F楼，新增1万+工位：
接下来，看下招聘岗位的大概薪资情况：
开发岗，薪资：23K * 16 个月，基本年包36万+：
算法岗，薪资：25.5K起， * 16 个月，基本年包40万+：
算法岗，薪资天花板：36.5K，拿到这个base，还是有难度，可能背景和实力非常好的，才有可能。
产品岗，18K起步，招聘时，比较看重实习经历。
非技术岗中，采销现在较有前景。
整体来看，京东提供的这四类岗位平均薪资，19.6K，已近每月2万，base年包*16，刚毕业下来已有31万+，刚毕业拿到这个薪资，已很不错。
京东招聘算法岗，常问到的面试题，我总结在第2节，老铁们，可以参考。
2 京东算法岗面经
面试最常问到问题总结：
另外，关于Leetcode题目，可以多练习，准备步骤如下：
1 线性表
1.1 数组
求数组里面连续子段和最大值？
旋转数组查找k
旋转数组中查找某给定数（二分查找）
一个数组中出现次数最多的K个数？
2^n个数组，每个数组长度都是m，每个都是有序，合并成一个有序的数组？
数组中最大子数组的和，矩阵中最大子矩阵块的和？
一个数组里面，每K个数是一个递增的有序数组，将整个数组排序？
给定一个有序数组，统计目标值的个数。（二分查找，找到目标值的下界和上界。）
1.2 链表
反转链表
K个一组，反转链表
单链表的分组翻转（即 k个一组翻转链表）
如何判断一个链表上是否有环？
快慢指针如果快指针走3步的话呢 还能奏效吗? 如果快慢指针的起点不一样呢，还能奏效吗？
链表转化，1->2->3->4->5->6->7转化为1->7->2->6->3->5->4？
合并两个有序链表，合并k个有序链表（不让用递归），最小的k个数（指定用partition，为什么时间复杂度是O(n)）
1.3 字符串
字符串转int？
字符串拼接成最大的数字的排序？
括号匹配：给定n对括号，求问总共有多少种排列方式？要求必须满足左右括号的顺序？
实现字符串的lr_trim算法，去掉字符串首尾的多个空格，函数名是 void lr_trim(char * s)
求字符串的最大回文子串(动态规划)
给一个小字符串数组，一个目标字符串，目的是找出数组中是目标字符串的子串的最大长度，我的想法就是维护字典树，加KMP模式匹配优化。
多个字符串，给定前缀和长度比例阈值，返回符合条件的字符串个数？
给出一个字符串，写出该子符串的全部排列组合？
反转字符串
给定2个字符串求最长公共子串的长度
更多面经：2 树（二叉树、堆、图、拓扑排序）、3 算法思想 、4 数论 、5 计算几何、6 概率分析
已经总结到我的知识星球，文末可以点击查看。
3 生成式AI学习路线图
要想胜任上面AI岗位，还需要学习最新的生成式AI，这是加分项。
学历背景+技能，两者缺一不可。
学历背景好，可以弥补技能不足；
技能强，可以一定程度弥补学历背景的短板。
两者有一种平衡关系。
学历背景不多说，接下来，重点总结AI大模型（生成式AI）：所需关键技能。
1. 机器学习和深度学习基础
概率论与统计学：理解基本的概率和统计学知识，这对于理解生成式模型的工作原理至关重要。
线性代数和微积分：掌握矩阵运算、微分和积分等数学工具，用于优化和训练神经网络。
2. 生成式模型
生成对抗网络（GANs）：掌握GAN及其变体（如DCGAN、CycleGAN、StyleGAN等）的工作原理和实现方法，用于图像生成和变换。
变分自编码器（VAEs）：理解VAE的理论和应用，主要用于生成连续数据如图像。
自动回归模型：如PixelRNN、PixelCNN，主要用于生成高质量的图像。
3. 自然语言处理（NLP）和生成
语言模型：掌握语言模型的原理，如GPT（Generative Pre-trained Transformer）、BERT等，用于生成文本。
序列到序列模型（Seq2Seq）：用于翻译、对话生成等任务。
注意力机制：理解和实现注意力机制，特别是在Transformer架构中，用于处理序列数据。
4. 音频和音乐生成
神经网络音频合成：如WaveNet，用于生成高质量的音频和音乐。
音频处理基础：理解基本的音频信号处理，如频谱分析、滤波等。
5. 计算机视觉
图像合成与变换：使用深度学习技术进行图像风格迁移、超分辨率生成、图像修复等。
三维生成：理解和实现用于生成3D模型和场景的技术，如3D GANs、神经渲染。
6. 工具和框架
深度学习框架：如TensorFlow、PyTorch，用于模型开发和训练。
图像处理工具：如OpenCV，用于预处理图像数据。
音频处理工具：如Librosa，用于音频数据的分析和处理。
7. 优化与训练技巧
优化算法：如SGD、Adam，理解其在训练生成模型中的应用。
正则化技术：如L1/L2正则化、Dropout等，用于防止过拟合。
ending
安利2个开源免费福利。
1. 我的个人AI 网站：https://ai-jupyter.com
2. 普通人了解AI应该做的最重要两件事：
应该先从AI工具使用开始 应该先了解AI基础名词
普通人了解AI大忌：
不应该上来就学AI理论 不应该排斥AI，认为AI无用
基于上面，我也花费不少时间，做了一个详细的开源教程：《普通人学AI指南》.PDF
咱们先别弄那些高深的AI理论，先玩熟AI基本概念、AI工具、自己电脑搭建AI和知识库。
微信扫码关注该文公众号作者