운체조교
3k
2022-06-22 15:54:15
19
15649

면접에서 들었던 & 했던 질문들


최근에 후배의 신입 개발자 면접을 도우면서 모의 면접관(?)으로서 던졌던 질문들을 공유합니다. 댓글로도 질문들 공유해주시면 많은 분들께 도움이 될 것 같습니다!


일반적인 질문들

1. 자기소개 부탁 드립니다.

2. 지원한 직무 (or 당사) 에 지원한 이유가 무엇인가요?

3. 본인의 직무 상의 장점과 단점이 무엇인가요?

4. 10년 후에 어떤 모습이 되어 있으리라 생각하시나요?

5. 우리 회사의 서비스 / 프로덕트를 써보셨나요? 개선한다면 어떤걸 개선했으면 좋겠나요?

6. 개발해본 프로젝트가 있다면 소개해 주시고, 그 과정에서 어떤 문제가 있었는지 얘기해 주세요.

7. 오픈소스 프로젝트에 참여해 본 적이 있으신가요?


기술 질문들

1. 가장 좋아하는 언어가 뭔가요? / 가장 잘하는 언어가 뭔가요? / 왜 그 언어를 좋아하나요?

2. Garbage collection 이 무엇인가요? 왜 쓰나요? 어떤 문제가 있을까요?

3. Thread와 Process의 차이는 무엇인가요? 어떤 상황에서 threading을 해야 하고 어떤 상황에서 processing을 해야하나요? Thrashing이 무엇인가요?

4. Mutex와 Spinlock의 차이는 무엇인가요? / Critical section이 무엇인지 설명해주세요.

5. 웹 브라우저에 google.com 을 치는 순간 일어나는 일을 설명해주세요.

6. 데이터베이스와 파일시스템의 차이는 무엇인가요? 알고 있는 NoSQL이 있나요? 어떤 것들이 있고 기존의 RDB들과 비교해서 설명해주세요. 

7. Asynchronous, Synchronous, Blocking, Non-blocking 연산들에 대해 각각 설명해주세요.

8. 시간복잡도가 무엇인가요? 시간복잡도 외에 다른 성능 측정 및 분석 방법을 알고 있는게 있다면 소개해 주세요.

9. 검색 자료구조로서 해쉬 테이블과 바이너리 서치 트리를 비교해주세요.

10. OSI 7 layer에 대해서 설명해 주세요.

11. MVC 패턴을 설명해주시고, 각각의 요소와 그 사용의 이유를 설명해주세요.

12. 클래스와 오브젝트의 차이가 무엇인가요? 객체지향 프로그래밍이 무엇인가요? 상속과 오버라이딩에 대해 설명해주세요.

13. 컴파일러와 인터프리터를 비교해서 설명해주세요. 컴파일 최적화가 뭔가요?


머신러닝 관련 질문들

1. Gradient descent 가 무엇인가요?

2. Singular Value Decomposition과 Principal Component Analysis 의 관계에 대해 설명해주세요. Autoencoder로 PCA를 대체할 수 있나요? 그렇다면 왜 그렇죠?

3. p-value 가 뭔가요?

4. Softmax 가 뭔가요? 왜 사용하나요?

5. Generative model과 discriminative model을 비교해서 설명해주세요.

6. MAE와 MSE loss 의 통계적 전제가 무엇인가요? 언제 MAE를, 언제 MSE loss를 써야할까요?

7. 왜 classification 문제에서 cross entropy loss를 사용하나요? entropy란 뭔가요?

8. Time series data analysis 를 할 때 왜 주파수 도메인 기반의 feature를 쓰나요? 그게 아니라면 어떤 방법이 있을까요?

9. Overfitting과 Underfitting을 설명해주세요. 어떻게 Overfitting인지, underfitting인지 알 수 있을까요?

62
161
  • 댓글 19

  • kenu
    63k
    2022-06-22 17:11:26
    해당 게시물은 관리자에 의해 칼럼에서 Tips & 강좌로 이동 되었습니다.
  • Dive_Drink_Develope
    7k
    2022-06-25 18:00:39

    저도 5번 브라우저 질문 자주하는데

    보통은 DNS설명 잘하다가

    중간에 네트워크/시스템아키텍쳐 건너뛰고

    서버 내부동작  설명 잘하는사람 못하는사람 으로 나뉘는 것 같더라구요.


    요즘은

    스프링 관련해서 AOP 개념이나

    클린코드, SOLID원칙을 실제 업무에서 어떻게 적용하려고 노력하는지 같은 질문들을 

    하고 있습니다.

  • Hyeseong Lim
    53
    2022-06-26 17:26:51

    면접관은 아니지만 저희 회사에서 채용시 하는 질문 몇가지 남겨보겠습니다.


    1. TCP 와 UDP 각각에 대한 설명과 차이점

    이 사람이 최소한의 네트워크 지식을 가지고 있는지 확인합니다.

    2. MVC가 무엇이고 해당 패턴에 맞게 코딩해 보았다면 어떤식으로 코딩했는지 간단하게 설명

    디자인패턴이 무엇인지 알지만 왜 사용하는지 어떤식으로 구현하면 좋을지에 대한 질문입니다.

    3. 상속과 구현을 설명

    기본적이면서 많이 사용하는 개념일수록 잘 알고있어야하고 그래서 설명을 원합니다.

    4. 간단힌 BFS에 대한 백준 알고리즘 문제풀이, 다 풀필요는 없고 어떻게 접근하는지에 대해서 물어봅니다.

    여기서 Stack과 Queue / BFS와 DFS 의 이해를 본다고 합니다.

    5. DB의 Join과 Index가 무엇인지

    조인정도 까지만 알아도 기본적인 쿼리는 어느정도 안다고 생각하고 인덱스에 대한 설명을 어느정도 할 수 있다면 테이블의 구조에 어느정도 이해가 있다고 판단합니다.

    6. Test Code 및 TDD

    이건 제가 푸쉬해서 들어간 질문입니다. 테스트는 진리입니다. 

  • 받침대
    727
    2022-06-28 21:33:58

    전 한참 부족하네요...

  • 볼봇
    972
    2022-06-30 15:11:30

    전 광탈 시간문제네요 ㅋㅋㅋㅋ..

    몇 가지 질문은 쉴드 되겠습니다만 면접 상황에서 (긴장한 상황에서) 저 답변들이 술술 나올거라는 자신감은 없습니다.

  • 운체조교
    3k
    2022-06-30 15:35:02

    한가지 오해를 바로 잡고 싶습니다. 이 모든 질문에 답을 시원하게 잘 하실 필요는 없습니다. 면접관으로서 신입 채용 시 보고 싶은 것은 당장의 지식의 양이나 실력보다는 그 사람의 포텐셜과 태도이기 때문입니다.


    그런 관점에서 제가 알고 있는 개발자의 포텐과 태도를 보는 가장 좋은 방법은 그 사람이 뭔가를 모를 때 어떻게 반응하는지 관찰하는 것입니다.


    분명 저 질문에 모두 다 술술 대답하는 분도 있겠지만, 막히는 부분이 있는 분들이 대부분일거라 봅니다. 만약에 막히지 않는 분이면, 그 분이 모르는 것이 나올때까지 파고 듭니다. 심지어는 제가 답을 모르는 질문도 합니다. (예: 서버 환경 JVM에서 통상 쓰이는 GC 알고리즘은 어떤게 있고, 어떤 때 어떤 알고리즘을 쓰는게 좋을까요? Heap size는 어떻게 잡는게 좋을까요?)


    뭔가를 모르는 것을 대답하는 순간에 많은 것들을 알게 됩니다. 이 사람이 얼마나 기술에 대해서 진심인지, 진짜 자기가 파본 것인지 그냥 면접 준비를 위해 달달 외운 것인지 알아 볼 수 있습니다.

    또한 그 막히는 순간에 그 사람이 어떻게 대답하고 (정확히 뭘 알고 뭘 모르는지를 분리할 줄 아는가 등), 문제의 범위를 답을 향해 좁혀가고, 어떻게 면접관과 소통하는지를 관찰합니다. 그래서 면접 볼 때 힌트를 달라고 하는 경우도 아주 좋게 봅니다.


    그에 반해, 최악의 대답은 모르는 것을 아는 양 말하는 상황입니다. 실제로 제가 던졌던 "Thread와 Process의 차이가 뭐냐" 는 질문에, Thread는 context switching 비용이 작고 Process 는 그게 크다는 대답을 자신있게 하는걸 듣고 벙 쪘던 적이 있습니다. 이런 사람들은 지식이 문제가 아니라 실제로 회사에 들어와서도 불확실한 부분을 임기응변으로 대처할 것 같이 느껴집니다.


    차라리 아예 감도 안오는 모르겠는 부분은 모르겠다고 솔직히 말하셔도 되구요, 말을 깔끔하게 못하겠는 부분은 잠깐 말을 정리하기 위해 시간을 줄 수 있냐고 물어보고 차분히 정리해서 대답하는게 낫습니다. 알고리즘 문제 같이 지식보다 사고력이 필요한 경우에는 그냥 풀어서 답이 이거요, 하고 말하는 것보다 왜 이렇게 접근했고, 전제는 뭐고, time complexity는 어떻게 된다, 혹은 못풀겠으면 푼 곳까지를 설명하면서 오히려 질문을 던져가며 답에 같이 접근해 가는게 훨씬 낫습니다.


    대부분의 프로그래머들은 자기가 모르는 것을 공부해가거나, 혹은 대처해 나가면서 문제를 풉니다. 모든걸 다 알 수가 없어요. 결국 기술과 지식을 어떤 태도로 대하는지를 보고 싶기 때문에 저는 최대한 "모두가 들어봤을만한" 주제로 질문을 구성하는 것이고 지엽적인 기술 질문을 선호하지 않습니다.


    정리하면, 여기 있는거 대답 못하신다고 기죽으실 필요 없습니다. 지금부터라도 공부하시면 됩니다. 화이팅입니다.

  • 운체조교
    3k
    2022-06-30 15:37:46

    @cppp: ...라고 윗 댓글에 쓴 것과 별개로 언급하신 두 질문은 머신러닝을 "전공"하셨다면 매우 필수적인 질문들에 해당합니다. 데이터과학자들은 모델을 만드는 사람이라, 그냥 돌아가는 것이 아니라 모델을 정확하게 이해하고 사용하는 것이 중요한 소양이라서, 기초적인 신호처리나 선형대수에 대한 질문은 잘 대답 하실 필요가 있습니다.

  • 운체조교
    3k
    2022-07-01 08:50:10

    @cppp: Time series 질문의 핵심은 시계열이 아니라 “주파수 도메인을 얼마나 잘 이해하고 있나” 에 대한 것입니다. 비전에서도 주파수 도메인에서의 operation은 핵심적으로 다뤄집니다. (Convolution, filtering, frequency band, Nyquist Sampling Theorem, 기초적인 정보이론의 Entropy, Mutual information 등…) 어떤 데이터과학의 분야를 가도 이 질문은 중요합니다.


    SVD와 PCA 관계 역시 중요한 이유는 증명 그 자체보다 무지개 정리를 이해하고 있는지의 여부를 통해 선형대수에 대한 감을 얼마나 갖고 있는지 보기 위함입니다. 어떤 데이터에 대해 PCA를 적용할 수 있고 그렇지 않은지, PCA를 적용했다면 그게 잘 적용 됐다는 사실을 어떻게 평가할 것인지, 언제 correlation matrix로 해석하고 covariance matrix로 해석해야 하는지, principal axis 로 projection을 한다면 어떤 norm을 써야 정당한지 등등… 당연히 알아야 하는 내용입니다.


    참고로 저는 CS 박사과정이고, ML 전공이나 이론 전공도 아니고, 코딩하고 납땜하는 시스템 전공입니다. ML을 갖다 쓰는 쪽에 가깝죠. 전공을 안하고 갖다 쓰려고 하는 입장이라도 최소한의 선형대수와 다변수미적분은 익숙해져야 합니다. 안그러면 ML 논문들 읽을 때 이해 안가요.

  • 헤르머스
    1k
    2022-07-01 15:16:53
    면접때 그림그리면서
    설명해도됩니까?
  • 운체조교
    3k
    2022-07-01 15:18:59

    @용기와성실: 그것도 물어보세요. 실제로 제 경우에 화이트 보드 놓고 면접 본 적도 있습니다.

  • 운체조교
    3k
    2022-07-02 00:05:18

    @cppp:


    - 음... 지금 하신 말씀은 대부분 Signal Processing에 집중되어 있군요... 당장 ML의 보편적 강좌인 Stanford CS231이나 CS229의 경우에도 frequency 이야기는 없던걸로 기억하는데...(말씀하신 개념들은 제가 전부 Computer Graphics를 공부하면서 익힌 개념들입니다) 말씀하시는 개념들이 제가 생각하는 Time Series와는 많이 다른 것 같습니다. 애초에 Time Series가 쓰이는 도메인이 제한되어 있다고 알고 있는데 이거랑은 전혀 다른 맥락에서 이야기하셨다고 이해해도 괜찮을지요? 아예 맥락이 다른 측면에서 이야기가 되었다면 제가 반박할 부분이나 운체조교님께서 제 이야기에 반박할 여지는 서로 없다고 판단됩니다. 


    : 질문이 frequency domain을 이해하고 있냐의 질문이었고, Vision을 하던 time series를 하던 신호에 대한 이해는 매우 기초적인 영역에 속한다고 생각합니다. Vision 하는 사람이 LPF가 뭔지 HPF가 뭔지 Convolution이 뭔지 모르면 당황스러울 것 같습니다.


    또한 CS231n (229는 제가 안봐서...) 은 딥러닝 기반 컴퓨터 비전 과목인데, 절대 기초과목이 아닙니다. Murphy 의 Machine Learning 같은 책이 훨씬 기초에 가까운 과목이죠. Signal processing을 안다루는 이유는 signal processing이 더 기초적인 과목이기 때문입니다.


    - PCA나 norm 등 수리통계적 계념들에 대해서도 말씀을 주셨는데, 말씀하신 내용들은 개인적인 생각에는 사실 전공자나 혹은 오랫동안 데이터 분석쪽에 종사하신 분이 아니라면 좀 알기 힘든 점이 많다고 생각합니다. "당연히" 라고 말씀은 하셨는데 좀 모호한 표현이 아닌지? 그 도메인이 얼마나 다양한데 그걸 다 알 수 있을지요? 요즘 ML 채용은 대부분 도메인을 나눠서 채용하는 것 같은데 그에 맞춰서 면접 질문이 다르다고 생각합니다. 가령 비전쪽 채용인데 BERT를 물어보거나... 는 좀 그렇지 않을까요?


    : PCA는 ML 전공에게는 그정도의 교양이 되었습니다. ML 전공이 PCA나 norm이 뭔지 모른다는건 ML 교과서 한권도 처음부터 끝까지 안봤다는거니까요. 사실 BERT나 Self-attention 같은 NLP에서 쓰이는 개념들도 최근 비전 트렌드를 따라가고 있다면 알만한 내용들이구요.


    0. 해당 정리에 대한 증명의 이해 없이 해당 내용을 제대로 이해했다고 할 수 있을지요!!!!(물론 이건 논쟁의 여지가 있긴 할 것 같습니다)

    : 괴델의 불완전성 정리의 증명을 이해하지 못해도 그것의 implication을 받아들이는 것은 가능합니다. 수학이나 응용수학 바운더리에서 일하시는 분들이라면 모르겠지만, 공학하는 사람들은 정리에 대한 전제와 implication이라도 제대로 이해하면 좋겠습니다. 대부분은 전제도 모르고 implication도 모르고 기계적으로 갖다 씁니다.


    1. "선형대수에 대한 감"은 (정말 감히 말씀드리자면) 너무 모호한 표현입니다. 어디까지 알아야 할까요? 여러분이 그냥 막 갖다쓰는 transpose도 함수해석적으로는 dual space(운체조교님 정도의 고수정도라면 아실걸로 생각되긴 합니다만)랑 관련되구요. 그 외에도 뭐 대수학, 위상수학 안건드리는데가 없습니다. 수학적으로 들어가면 끝이 없습니다. 그 쉬운 선대마저도요.

    : 지식이 양과 범위는 중요한 것은 아닌 것 같고요, 선형대수의 굵직한 개념들과 정리들, 그리고 그 정리들의 assumption을 잘 이해하고 있으면 될 것 같습니다. 이것만 해도 감지덕지입니다.


    2. PCA가 적용되는 데이터, 적용되지 않는 데이터... 글쎄요 개인적인 경험을 바탕으로 드리는 말씀이므로 적당히 걸러 들어주셨으면 좋겠습니다만, PCA의 경우 categorical data(이쪽은 marketing science에서 MCA라는 기법을 돌리고 있더군요)가 아닌 이상에야 크게 문제되지 않다고 생각하는데, 어떻게 생각하시나요? 그리고 PCA가 잘 적용되었는지를 판단하는 객관적 measure가 있을까요? 혹시 있다면 알려주실 수 있으실지요? 애초에 PCA 자체가 unsupervised learning이라 measure가 임의적으로 이용자가 설정하는 Threshold로 주어지는 걸로 아는데, 그 이외에 객관적인 measure를 혹시 알고 계셔서 알려주신다면 저에게도 큰 공부가 될 것 같습니다.

    : PCA는 모든 상황에 따라서 쓸 수 있는 툴이 절대 아닙니다. Pareto distribution의 데이터에 대해 PCA를 돌린다고 생각해보세요. Long tail 때문에 평균과 singular value가 모두 왜곡됩니다. 차원이 매우 큰 데이터가 애초에 높은 엔트로피를 가진다고 생각해보세요. PCA를 해봤자 유효한 축의 개수가 원래 차원의 개수랑 비슷하게 나오면 의미가 없겠죠. PCA는 데이터가 매우 크지만 결국 그 데이터들을 고차원의 데이터들의 선형결합으로 설명할 수 있다는 가정을 갖고 사용하는 툴입니다.

    잘 적용이 됐는지를 판단하는 것은 적용하는 상황에 따라 다릅니다. PCA를 통해 dimensionality reduction을 하고 싶다면 explained variation (EV)을 볼 수 있겠죠. RANSAC처럼 갖고 있는 데이터를 랜덤하게 fitting 시켜보면서 이 데이터에서 몇개의 축까지를 take 하는게 허용되는 에러 바운드 안에서 축을 줄일 수 있는 것인지를 볼 수 있을거고요.


    3. correlation matrix랑 covariance matrix는 어떤 맥락에서 나오신 말씀인지 이해가 잘 가지 않습니다. 일반적으로 통계학에서는 covariance matrix(흔히 sigma로 notating하는)를 사용하는 걸로 알고 있는데, correlation matrix랑 covariance matrix가 중요하게 차이를 보이는 사례를 말씀주신다면 큰 가르침이 될 것 같습니다.

    : 데이터의 축간의 scale이 같으면 covariance matrix를, 다르면 correlation matrix를 구한 뒤 eigen decomposition 을 돌리는게 PCA를 적용할 때 취하는 일반적인 접근입니다.


    4. Projection에 dot product(inner product) 이상의 연산이 필요한가요? norm은 어디까지나 metric space의 distance 개념의 확장인데 projection에 왜 필요한지 이해가 가지 않습니다.

    : Dot product 와 inner product 는 euclidean space에서만 같습니다. Inner product는 공간마다 정의되고, 그 정의되는 방법은 행렬입니다. 예컨데 euclidean space에서의 내적 행렬은 identity matrix이고, 통계학에서의 내적 행렬은 Fisher's information matrix입니다. 이 전제를 모르고 projection을 하면 저차원으로 문제가 풀리는 상황에서야 큰 에러가 없어보이겠지만 차원이 높아질수록 값이 이상해집니다.


    5. ML 논문을 어디까지 읽으시는지 알지는 못하겠습니다만, 요즘 ML 논문의 경우 도메인이 너무 분화되어서 말씀주신 선형대수나 다변수미적분(학부수준)으로는 간단한 실험 논문 정도밖에 못읽지 않나... 생각합니다. 그리고 애초 여기서 논문 이야기를 하시는 이유를 잘은 모르겠습니다만, 논문을 건드리는 순간부터 ML 분야는 이론으로 넘어갈 수밖에 없고, 지적하신 "선대"나 "다변수미적"으로는 커버하기 힘든 석박사 수준 이상으로 레벨이 올라가지 않을까 생각합니다. 

    : 여러 측면으로 그렇지 않습니다.

    먼저 저는 선형대수와 다변수미적이 익숙해져야 ML 논문을 이해할 수 있다고 말씀 드린 것이지, 그것만 알면 모든 ML 논문을 이해할 수 있다고 말한게 아닙니다. 기본 중의 기본이라는 뜻입니다. 다른 나라는 제가 잘 모르지만, 일반적인 우리나라 학부에서 수학 교육이 제대로 안이루어져서 대부분의 학생들이 기억도 잘 못할 뿐더러 선형대수와 다변수미적이 손에 익어 있지 않습니다. 당장 Stokes' Theorem 설명해 보라고 하면 버벅거리고 선적분도 못하는게 현실입니다. (다 1학년 때 배우는 수학인데...) 이 상태에서 공학수학이나 최적화이론 배우고 논문 읽어봤자, 제대로 이해 못합니다.

    또한, ML 분야에 수학과 박사 수준의 수학을 요구하는 논문들은 비율로 따지면 매우 적은 편입니다. 수학과 석사 정도의 지식이면 읽을 수 있고, 그 수학과 석사 수준은 대부분 공대 학부 때 증명은 스킵하고 결론의 형태로 머리속에 주입됩니다. (대부분 까먹어서 그렇지...)


    제가 드리고 싶은 말씀은, 공부를 제대로 해야 합니다. 말씀하신 것들을 보면, 많은 것들을 배우셨으나 그 내용들이 organization이 잘 안되어 계신 것을 느낍니다. 제가 알지도 못하면서 떠드는 것일 수 있으나, 저는 주변에서 대략 딥러닝 쓰는 법만 뚝딱 배워서 근거 없는 hyperparameter tuning만 열심히 해서 논문 한편 더 내보려고 하는 대학원생들이 떠오릅니다. 그들은 왜 그런 디자인을 했는지 물어보면 대답을 못합니다. 그냥 결과가 잘 나온다는 얘길 할 뿐이죠.

    안타까운 것은 이런 학생들이 ML 탑컨퍼런스 논문을 억셉 받아오기도 한다는겁니다. (임팩트 있는 논문을 쓰는 사람은 못보긴 했으나...) 그렇게만 결과를 내보면 계속 같은 방법을 고수할 수 밖에 없고, 결과적으로 논문만 쓴 바보가 되어서 졸업하는 경우가 너무 많습니다.

    이게 대학원에서는 ML 쪽 학회들이 건강하지 않기 때문에 어떻게 넘어가지만, 진짜 의미있는 모델을 현실에 deploy 할 때는 큰 문제가 됩니다. Accuracy 99%를 찍는 것과 소비자가 만족하는 ML 기반 서비스를 하는 것 사이의 엄청난 간극이 있거든요.

    이건 ML 뿐만 아니라 개발 등 웬만한 공학에선 다 벌어지는 일이라고 보는데, 잘 될 때는 바보가 와서 해도 잘 되지만, 진짜 실력은 안되는 상황을 극복할 때 나타납니다. 적용하기 위해서 뭘 keep하고 뭘 버릴지를 선택하는 상황에서는 어떤 근거를 갖고 현상을 모델링할지가 너무나도 중요해 집니다.

    어느 수준에서 공부하시는 분이신지 잘 모르지만, 진심으로 machine learning 교과서 한권 읽어보시는 것을 추천 드립니다. (Murphy의 Machine Learning을 권합니다) 그리고 개념들을 설명해보는 연습을 자주 해보세요. 실제 상황에서 문제를 푸실 때도, 모델을 그냥 갖다 쓰는게 아니라 이 모델의 assumption이 뭐고, 왜 이게 잘 되는지, 왜 안되는지를 꼭 따져보셨으면 합니다. 주제 넘는 얘기였지만, 도움이 되길 바라면서 써봅니다.

  • 운체조교
    3k
    2022-07-02 10:15:51

    제가 시스템 전공인데, 주변 대학원생들에게 CSAPP의 일독을 추천하기도 합니다. 부족하면 배워야죠. 교과서에 대해서 너무 쉬운 내용이고 뻔한 내용이라고 생각하셔서 이게 무례하다고 느끼실 수 있을 것 같은데, 거꾸로입니다. 오히려 많이 공부하고 교과서를 읽으면 보이는 큰 틀이 있고, 매우 쉽게 간과되는 부분입니다.

    선하고 좋은 사람인줄 아셨다면, 그런 기대는 하지 말아주세요. 누군가에게 도움이 되길 바랄 뿐이고, 그 피드백이 아프기도 하고 기분 나쁘기도 할 수 있습니다. 욕먹은 것도 한두번이 아니고요. 그럼에도 불구하고 이런 활동을 해가는 이유는, 배울 수 있는 어떤 사람은 기회를 얻기도 하기 때문입니다. 조언이 적용하지 않으신다고 느끼시면, 무시하시면 됩니다. 얻어갈 부분만 얻어가시죠.

  • Hiiragi Kagami
    922
    2022-07-11 10:24:40

    아직 배우고 있는 입장에서 벌써 면접질문을 정리해두는건 이를지 모르겠습니다만.
    적어도 훗날의 저에겐 엄청 살이되고 뼈가 되는 글이네요.
    좋은 글 감사합니다.

  • 몰랑토끼
    985
    2022-07-11 14:45:27

    1번 자기소개는 더 풀어야 한다고 생각합니다 단순히 자기소개해달라는게 아니라

    그사람의 경험과 생각을 듣고싶다는 의미로 말해야받는 사람도 부담이 줄고, 듣는사람도 더 정확하게 들을수있어요. 

  • Rxjsa
    205
    2022-07-15 14:28:50

    면접 질문이 왤케 쉽지? 하고 봤더니 신입 면접질문이였군요 ㅠㅠ 경력인줄 알았네요 ㅠㅠ


  • 김모씨
    3k
    2022-07-28 21:07:02

    경력은 더 짧죠..  되요?

  • 코댕맨
    369
    2022-07-29 23:25:21

    운체조교  선배님 따로 말씀드리고싶은게있는데 혹시 메일 주소좀 알 수 있을까요?

  • 강씨철물점
    46
    2022-08-09 10:13:13
    달달한 조언이네요 감사합니다
  • caacoo
    80
    2022-08-10 17:10:54

    북마크하고 두고두고 상기해야겠네요 ㅜ

  • 로그인을 하시면 댓글을 등록할 수 있습니다.