前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >校招入职微软的99天

校招入职微软的99天

作者头像
NewBeeNLP
发布2022-11-16 20:49:40
1.1K0
发布2022-11-16 20:49:40
举报
文章被收录于专栏:NewBeeNLPNewBeeNLP

作者 | 卡兵 整理 | NewBeeNLP https://zhuanlan.zhihu.com/p/569393755

大家好,这里是NewBeeNLP。今天分享一位2022届秋招的学弟,从2021年的四月份开始求职,到11月份结束,一共拿了6个Offer(微软M365、亚麻Global Selling、阿里妈妈、字节商业化、百度MSG和Vivo互联网)。以下是原文,

在最后决定去哪里的时候,和阿里妈妈的一位女Leader聊了很多,包括职业选择、未来发展、是不是应该在校招的时候进外企,最后一通分析下,说到工资,发现阿里妈妈给的太低了,和工作强度不匹配,果断选择了微软。

我是今年6月底入职苏州微软的,到现在差不多3个月,对微软的工作情况有了个初步的了解,所以在这里把我在这段时间的经验、感悟和体会写出来供大家参考。

1. 校招进入微软

背景

我是19年本科毕业,同年读了本校计算机的硕士,然后从研二开始在京东(北京)实习,做算法工程师,联邦学习方向。

到21年秋招的时候,我没有选择在京东转正,原因如下:

  1. 不想做算法岗了(调参都算不上,就是复现一些机器学习算法,没有实际业务反馈)
  2. 不想呆在北京了(南方人,呆北京经常流鼻血)
  3. 部门前景堪忧(主要做ToG项目,技术是最不重要的,架构经常调整)
目标

所以在从21年秋招(提前批)开始,我就确定了我的目标:

  1. 找开发岗
  2. 回南方
方法

有了这个目标,我把求职的公司分为了三类:

外企

互联网企业

银行、国企

微软、亚麻、Zoom、Nvidia、Shoppe(新加坡)、Intel

阿里、腾讯、字节、百度、Vivo

邮储、浦发、农行、政策性银行

而为了找开发岗的工作,我从三个点进行了准备:

  1. 向实习时候的开发岗同事,要了他们的代码,过了一下基础的逻辑,保证自己能说个一二三。
  2. 通过刷B站、公众号、书本对常见的八股文刷了一遍。
  3. 通过Leetcode、Nowcoder、Lintcode刷题

其中,在校招中,我觉得最重要的还是刷题,我在Leetcode刷了差不多600多道题,并且用Typora对各种tag的题目进行标记,以中等题为主:

结果
  1. 提前批拿了Vivo(南京)、字节(杭州)和百度(上海)的Offer。
  2. 9月份的时候拿了阿里(杭州)的Offer
  3. 11月份拿了亚麻(上海)和微软(苏州)的Offer

而在最后决定的时候,从薪资、工作强度、工作地点、企业文化等角度综合考量,选择了微软苏州M365。

微软的校招面试真的很慢,从8月份投递到11月份拿Offer差不多花了三个月,具体的面筋可以看:微软 STCA 校招 一二三四面经(已OC)[1]。

我对于微软面试过程的撕题技巧可以总结为四步:

  • 事先沟通思路【题目是要干什么,相当于需求分析】
  • 代码可读性【在关键代码处写好注释】
  • 边际测试【尽量考虑边界case】
  • 优化时间复杂度 【锦上添花】

而微软也有一些常见的题目:

  • LCA公共祖先
  • 进制转换题(中文数字转阿拉伯数字,阿拉伯数字转中文)
  • 总结:MyInterview/微软题目.md at master · owenmx/MyInterview \(github.com\)[2]
  • 刷题:MyInterview/LeetCode刷题 at master · owenmx/MyInterview \(github.com\)[3]
  • 八股文:MyInterview/面试 at master · owenmx/MyInterview \(github.com\)[4]

2. 在苏州的生活

微软在中国的架构主要包括下面四个:

  • STCA :M365、Ads、WebXT、MSAI、Sharepoin、Edge等组
  • C+ AI :包括Azure、Dynamics 365等组
  • CMD :包括 Windows365,CMD(Cloud Management Desktop)等组。
  • MSRA :算法研究。

我入职的是STCA下面的M365,基本的工作时间是一周五天(可以有2~3天WFH),上午10点左右到,下午五点半左右下班,每周有两天要和美国那边开早会(早上八点 )。因为每个人的工作习惯不同,有些同事可能上午不来,下午一点多吃完饭后晚上六点下班,各种工作情况都有。

周六和周日是完全休息的,我一般会去长途骑行,苏州有个特点就是湖很多,我最近两次骑行分别去了太湖和阳澄湖:

微软有个很大的特点,就是一个Manager工作经历可以很大程度影响这个组的工作习惯,我们组的Manager从08年校招进微软就一直呆在微软,所以他是十分推崇WLB。但是有些Manager可能是从国内互联网招的,工作的风格就可能完全不一样。

所以我说的这些情况主要针对M365的,而且据我所知,WebXT那边加班很严重,上次YongDong的Townhall(类似于高管检讨会),某位同事直接在讨论板上贴出了,但是感觉Qi的回答并没有说怎么解决,只是说会和手下的Manager沟通。所以微软在选组的时候尽可能甄别,多关注Manager的LinkedIn,看看他们的工作经历,老微软一般不怎么卷。

3. 苏州的发展以及内推

2023届计算机软件的秋招情况大家也有所耳闻,可以说是欣(ai)欣(hong)向(bian)荣(ye),这其中的原因有很多(美国加息,政府打压,企业前期无序扩张,学计算机人太多),但反应到具体情况上就是HC(head count)变少,bar变高。

受到大环境的影响,微软今年在财年盘点到前段时间一直是锁HC的,最近才慢慢开放,未来招聘员工的增速肯定没有以前那么快了,老板们说,总部希望更多发展南美、非洲和东欧的site。

微软在苏州现在有三个办公地点,WeWork、B25和B18,12月份会启用中盟大厦,然后明年二期大楼会建好,同时会退掉WeWork的办公区,这些调整应该让拥挤的办公区域变得宽松。

M365的社招职位如下,一般SDE2(2-3年的工作经历),Senior(5年以上的工作经历),Principal(10年以上)

具体每个职位的要求,可以通过这个查看Search results | Find available job openings at Microsoft[5]。

本文参考资料

[1]

微软 STCA 校招 一二三四面经(已OC): https://www.nowcoder.com/discuss/796437?page=1

[2]

MyInterview/微软题目.md at master · owenmx/MyInterview (github.com): https://github.com/owenmx/MyInterview/blob/master/%E9%9D%A2%E8%AF%95/1%20-%20%E9%9D%A2%E8%AF%95%E6%80%BB%E7%BB%93/%E5%BE%AE%E8%BD%AF/%E5%BE%AE%E8%BD%AF%E9%A2%98%E7%9B%AE.md

[3]

MyInterview/LeetCode刷题 at master · owenmx/MyInterview (github.com): https://github.com/owenmx/MyInterview/tree/master/LeetCode%E5%88%B7%E9%A2%98

[4]

MyInterview/面试 at master · owenmx/MyInterview (github.com): https://github.com/owenmx/MyInterview/tree/master/%E9%9D%A2%E8%AF%95

[5]

Search results | Find available job openings at Microsoft: https://careers.microsoft.com/professionals/us/en/search-results?rk=l-l-suzhou&sortBy=Most%20relevant

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2022-10-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 NewBeeNLP 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1. 校招进入微软
    • 背景
      • 目标
        • 方法
          • 结果
          • 2. 在苏州的生活
          • 3. 苏州的发展以及内推
          相关产品与服务
          联邦学习
          联邦学习(Federated Learning,FELE)是一种打破数据孤岛、释放 AI 应用潜能的分布式机器学习技术,能够让联邦学习各参与方在不披露底层数据和底层数据加密(混淆)形态的前提下,通过交换加密的机器学习中间结果实现联合建模。该产品兼顾AI应用与隐私保护,开放合作,协同性高,充分释放大数据生产力,广泛适用于金融、消费互联网等行业的业务创新场景。
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档