公司：同盾科技岗位：业务风控策略分析师形式：视频面试视频面试平台：牛客时长：20分钟流程：0、面试官自我介绍。1、自我介绍。业务部门主管2、为什么想做数据相关的工作？你觉得你的职业方向会涉及到哪些方面？3、（实习经历深挖）介绍一下第一段实习的背景和情况。HR4、有考虑过在实习的这些公司中选择一家留下来吗？5、你现阶段在看哪些公司或者什么类型的机会？你目前有在沟通中的或者已经拿到offer的吗？6、对薪资方面有什么期待？个人期望薪资是多少？7、你是哪里人？家里人对于你就业有什么考虑吗？8、过往经历中有没有遇到比较坎坷的事情？9、反问。

公司：同盾科技岗位：业务风控策略分析师形式：视频面试视频面试平台：牛客时长：20分钟流程：1、自我介绍。2、介绍一下最近一段实习具体的工作内容。3、介绍一下第二段实习具体的工作内容。4、（实习经历深挖）介绍一下第一段实习具体的工作内容，背景、过程和结果。最后模型应用到线上的业务了吗？5、你觉得哪一段实习对于你来说提升是最大的？6、哪一段实习会有频繁的沟通？不管是部门内部还是跨部门之间的。7、（项目经历深挖）介绍一下数据分析的项目。具体是怎么做的？比如数据清洗，然后怎么去分析的？8、面试官介绍岗位和业务。9、反问。

公司：亚信安全岗位：安全数据挖掘工程师形式：视频面试视频面试平台：飞书时长：15分钟流程：0、面试官自我介绍（HRBP）。1、简单介绍一下几段实习经历。2、你是哪里人？为什么会考虑来南京呢？我看你之前上学的经历，其实也都不在这边。3、三段实习经历的base分别在哪里？4、你目前是已经有一些offer在比较了，还是说目前还在一些面试流程中？5、其实数据挖掘的岗位在很多行业都会有，比如金融行业、互联网行业，包括我们安全行业，对行业的选择，你有没有一些倾向？6、对于网络安全这个领域你了解多少？7、除了我们公司之外，还有投递其他安全厂商吗？8、南京这边除了我们公司之外，还有投递其他公司吗？9、介绍一下...

公司：亚信安全岗位：安全数据挖掘工程师形式：视频面试视频面试平台：飞书时长：32分钟流程：0、面试官自我介绍。1、自我介绍。2、（实习经历深挖）最近一次实习经历做的工作是什么？3、（实习经历深挖）第一次实习经历是怎么做预测的？用了什么模型？产出结果是什么？在做项目的过程中是一个人在做还是一个团队在做？在团队合作中间的话，有没有跟其他同事之间就某一个技术或者功能问题有分歧，最后是怎么解决的？4、（项目经历深挖）Python熟练吗？用了什么模型或算法？5、在实习和项目经历中，经过努力始终达不到预期结果，有没有这种情况？6、以往面对过最大的挫折是什么？说一下你是怎么调整的？7、你在实习、做项目或者在...

公司：亚信安全岗位：安全数据挖掘工程师形式：视频面试视频面试平台：飞书时长：37分钟流程：1、自我介绍。2、看你简历上用的都是一些Boosting的算法，集成学习有几种方法？3、Boosting方法的原理是什么？GBDT是串行还是并行？LightGBM可以并行吗，具体讲一下？XGBoost相对于传统的GBDT而言，改进点在哪里？4、（提到了L1正则和L2正则）想问一下L1正则和L2正则分别是什么？5、（实习经历深挖）最近一段实习主要做了什么？在做数据处理相关的任务中使用什么技术栈？会用到Python吗？6、（实习经历深挖）第一段实习经历介绍。数据是怎么获取的？这些数据用于解决什么问题？用户画像...

链接：https://talent.taotian.com/off-campus/position-list?shareCode=9LAPcIrBjzkFF2QWR9L0cg%3D%3D欢迎大佬们投递，流程快，可帮看进度算法技术方向推荐召回与排序：超大规模的商品、视频、直播、主题推荐业务下的召回、排序、重排混排模型，及跨域多模态推荐技术。 认知推荐：基于GPT等新一代认知智能模型，建立新型认知推荐算法体系，结合新的交互式推荐的产品创新、提升用户交互体验。机制策略：通过深度强化学习技术优化推荐策略，设计智能流量机制，助力商业收入增长、商家及内容创作者成长。端智能：在端侧部署Smart AIAgent,基于端云一体化的算法技术架构，实现端侧用户兴趣感知、端侧智能决策，提升推荐效率和用户体验。 #阿里巴巴# #淘天集团# #内推# #社招# #算法#

投递时间过晚很多人都会觉得自己还没准备好，比如实习经历和项目经历还不够多，题还没有刷够、面经还没整理……想等着准备好了再投递。可是等你实习经历和项目经历够了，别人都实习过了；等你刷好了题、整理好了面经，别人都拿到 offer 了。越往后竞争的人越多，越往后机会也越少。所以一定要尽早投递！过于理想化除非你有绝对出众的实力，否则不要加太多限定的条件。比如一定在哪个城市甚至哪个区域、一定要哪个行业、一定要什么职位、一定要多大规模的公司等等。校招是一个密集而短暂的周期，你前期有多挑剔，后期可能就有多无奈。有一个高一点的理想和目标是正常的，但是要充分预估困难和挑战，问问自己有没有保底的选项。

虽然秋招是非常重要的，但咨询、投行、互联网等企业都非常看重实习经历，实习极大地影响着你的秋招通过率。对于这个问题不能一概而论，把重心放在哪儿取决于你自身的情况。最终目的都是毕业后找到满意的工作。如果你已经有了一份暑期实习，那可以先判断两个问题，这份实习能否转正？能否给你的秋招带来帮助？如果可以的话，在9月份之前，你都可以安安心心先做着；如果不能或是你不打算留在这家公司，就要多付出些精力来准备秋招。如果你目前没在实习，但曾经有过较多与求职意向匹配的实习经历，那就完全可以全心全意准备秋招了。如果你之前没有实习，那一定要抓紧时间找一个！实习是校招的重点考察项，企业想找的是能尽快上手的人，而实习经历是...

所有人都是从没有0实习开始找实习的，通常找第一份实习会比较难，在这里分享一些渠道和方法各大综合招聘网站和APP牛客、脉脉等。学校的就业中心官网、公众号、论坛等。企业官方渠道官网、公众号等。求职群有些求职群会发一些内部员工招聘的岗位，或者是实习生找继任。内推特指熟人内推（如亲戚、老师、校友、同学等）。

通过一段实习需要明确自己想要得到什么东西，带着目的性去实习。一般情况下实习的最终目的，就是能让自己找到一个比较满意的正式工作。实习经历首先要能帮你通过简历筛选，然后在面试中让你能说出一些东西并且面对面试官的深挖能讲出自己的思考，最后让面试官觉得你能够胜任这个岗位，这就是一份有含金量的实习。按照这个思路，具有含金量的实习要能给到你背书（企业的名气和title），并且你在实习过程中是能接触到一线的操作，参与过实际的项目，熟悉项目的背景和结果等。还有一些东西，虽然不好直接写进简历，但是能在面试的时候给你加分，比如规范的工作习惯等。总的来说，实习就是去偷师学艺，含金量是看能不能学到东西，而不是看实习工...

关联度越高越好简历里面的经历和目标岗位的关联度，匹配度越高越好。只要和目标岗位相关的经历，都可以写到简历上面去。比如科研/论文、竞赛/比赛（如Kaggle和天池的算法竞赛、创业大赛、商赛等）、项目（如学校的课程项目、小组作业，课外的技术项目）、实践（如社会实践）、校园活动（如社团、学生会举办的一些活动）、作品集（如市场报告、分析报告、体验报告等文档）。比如，一个同学准备投递运营岗位，可能没有很多实习经验，这时候就可以写自己在学校社团活动的运营经历，比如公众号运营、社群活动运营等。只要和目标岗位相关，都可以在简历上写，这就是面试官想看到的内容。考虑内容多少除了考虑内容关联度以外，还需要考虑的一个...

通常，应届生简历要包含个人信息、教育背景、实习经历、项目经历、校内经历、技能特长、自我评价等模块。其中实习经历和项目经历是简历的重中之重，HR判断求职者能否胜任岗位，关键是看求职者的简历中是否有匹配应聘岗位的工作内容的经历。大家都是从没有实习经历过来的。在没有实习找第一份实习的时候，应该怎么写简历？首先需要明确自己投递的岗位及对应的岗位描述，尽可能在简历中突出过往经历中与投递岗位相匹配的内容。大家可以从以下经历中挖掘自己参与过的项目：科研：科研本身就是一个发现问题并解决问题的过程，无论最终有没有论文发表。在参与科研项目的过程中，熟悉了当前的科研动态，知道了现阶段有什么任务，过程中遇到了什么难题...

很多同学在写简历的时候不知道怎么写实习经历或者项目经历，这里推荐一个非常实用的方法——STAR法则。STAR原则，即Situation（情景）、Task（任务）、Action（行动）和Result（结果）四个英文单词的首字母组合。通过这四个方面，面试官可以深度挖掘项目，自己也可以更好地复盘经历。以算法岗为例Situation（情景）：为什么要做这件事？可以写项目背景，具体可以参考需求背景和产品说明文档。Task（任务）：在上面的情景下要做什么任务？比如做一个二分类的预测任务。Action（行动）：做了什么事情？比如选用的模型、设计的实验、模型的评价。Result（结果）：最终取得的结果。比如算...

公司：广联达岗位：人工智能工程师岗位职责：1. 加入AI算法研究小组，研究深度学习/机器学习/人工智能算法在建筑行业的产品应用；2. 基于建筑行业大数据，负责设计，实现和调优深度学习模型/策略和算法；3. 与产品经理和应用开发团队协作，参与如下方向之一的产品化：视频分析，目标检测，3D视觉，行为分析，步态识别，ReID。任职资格：1. 2023年应届生，硕士及以上学历，计算机/数学/人工智能/自动化等理工科相关专业；2. 熟悉基于深度学习的特征检测算法，熟悉CNN\RNN\LSTM等网络结构的原理和前沿进展；3. 熟练使用TensorFlow，PyTorch，Keras等主流框架，具备数据处理...