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