工作经验越多越好,这你都信?!

一份简历是否能入得HR法眼,很多时候就依赖于工作经验部分发挥光芒,而简历的含金量高低,通常也取决于求职者对以往工作经验的呈现。于是,很多人牟足劲洋洋洒洒几千字来描述自己的光辉历史。本以为这份简历投进HR的邮箱里,不说光芒万丈,也总会耀眼夺目,给自己赢得面试的机会,可是到头来,望眼欲穿却不见offer招手。

    别天真地以为工作经验越多成功几率就越高。选择有“分量”的工作经验填充你的简历,而不要只求“量”不求“质”。聪明的做法应该是“对症下药”,即针对你所申请的不同职位,筛选与之相关的工作经验。具体步骤如下:

1)研读招聘广告,经验写作投其所好

    在填写工作经验前,首先要学会读懂招聘广告,掌握其传递出的信息,招聘广告中最重要的无疑是职位描述和职位要求,因此工作经验这一项就该“投其所好”,将你以往的工作经验进行总结提炼,通过工作经验部分告诉HR,你就是他们要找的那个人。比如招聘广告中要求应聘者“注重团队合作”,你在写作工作经验时就不要一味地强调所有的成绩都是你个人努力的结果,而需要适当地表明团队的作用,并说明你在工作过程中所起到的关键作用。

2)言简意赅,业绩成果最重要

    写简历不是写小说,千万不要试图把工作中的细枝末节全部呈现在简历中。一是HR看简历只抓招聘岗位关键词,过于繁琐的文字介绍势必会将你的简历关键字淹没,进而让HR丢弃你的简历;二是写简历要有所保留,可以在面试交谈时给HR一点惊喜。

    在你描写工作经验时,用词必须简练,不要只针对工作本身,业绩和成果更为重要。比如说销售经理这个职位,基本上得写明:公司、职位、汇报对象、下属人数、职责和销售业绩。但形容词过多,诸如“突出的贡献”、“业绩有了显著提高”、“富于成效的方案”之类的描述并非客观事实,无法让HR有直观感受。其实,你可以用头衔、嘉奖或者数字来突出所取得的成就。头衔意味着你在公司的地位,更意味着你的职责;嘉奖意味着他人给予的客观肯定;数字则是最量化最直观最有力的证据。此外,还可以以突出描述来吸引HR的注意,比如就职于“全国最大的招聘网站”,“全球最大的百货商场”等等。(完)


责权声明:本文档所表述观点仅代表作者或发布者观点,与51job.com无关;未经 51job.com 同意,不得转载本网站之所有招聘信息及作品

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值