五年时间,专科学历让我懂得了互联网

本文作者分享了自己从专科到专升本,自学Java和大数据的经历。他指出,虽然学历可能限制进入某些大公司的机会,但技术能力是关键。作者强调了坚持不懈学习和掌握学习方法的重要性,认为即使专科出身,也能在IT行业取得成就。他建议有机会提升学历时应抓住,同时鼓励大家保持热爱和兴趣,因为它们是前进的动力。
摘要由CSDN通过智能技术生成

前言

在知乎上看到很多帖子问:“专科能不能学习Java/大数据?”这样的问题。当然最近也有私信我的,我怕一句两句说不清楚,加上最近工作比较忙,所以就没有单独回复。

今天就单独写这篇文章,结合自己几年来的经历来简单地阐述一下自己的观点。

学历

这个问题拆解开,就是学历和Java/大数据的学习。说到学历,在网上也有很多人还在说着,计算机行业的学历无用论。大佬说:“我招人从来不看学历”!是的,毕竟大佬不招人!

关于技术

的确,很多人都觉得计算机是一个靠技术吃饭的行业,就像玄幻小说里面的以实力为尊一样。

这个真的没有错,在计算机行业沉浮了几年之后,技术能力真的让我在公司站稳了脚跟,也有了一些技术上的话语权。尤其每次在遇到被甩锅的时候,技术赐予我的优势更为明显。我可以站在技术的制高点上,有理有据地回怼回去。

但是,在计算机行业中的时间越长,每次面临工作抉择的时候,越感觉到学历带来的无力感。对于读过我<自学Java篇>的朋友来说,都知道我是专升本学历,属于后天型本科。

对于985/211学历来说,我丧失了大厂、绝大部分国企的选择权,即使技术有一天技术到达了一定的高度,学历也会让极大的限制我。所以每次我朋友说让我去xx公司的时候,都会提及学历这一点。可能某一刻会失落、会后悔。但更多的时候是鞭策自己要更加努力。

那么,专科学历真的应该就自暴自弃?

专科和本科

大部分情况下,专科算是从事计算机行业的最低标准。其实我高中学习成绩挺好的,后来因为种种原因考上了专科,也没有选择复读。

在专科的前两年,算是荒废了学业,整天就是窝在宿舍打游戏,后来为了逃避外出实习就留校准备专升本,后来就考上了专升本。

专升本算是我人生的一段转折,遇到了一群厉害的舍友,我也开始自学Java,后来通过校招实习走上了大数据之路,从而一步一步走到现在。

“哪怕不是专升本,就算是自考本、成人本科,也比专科强。”这句话是我同事说的,我偶然听到。

很多公司,专科只能走外包,这里不是说外包不好,但是五险一金、福利待遇相对于同公司正式员工来说,绝对差上一些,其他方面就冷暖自知、各自体会。

所以能争取得到本科学历,就不要留在专科。能考研就考研,但是研究生过后一定知识方面有所收获、能力见识方面有所提升,能和步入社会的同学一样提升人生阅历。能去大厂、国企就不要留在小企业内卷。

这也是毕业几年之后,我才感受到的。

技术门槛

第二方面,就是专科能不能学习Java/大数据?

坚持

学历虽然限制了选择企业的门槛,但从来没有限制我们学习技术的自由。对于Java、大数据来说,更重要的是坚持不懈的努力和学习。

我在2016后半年开始自学Java,17年后半年实习期开始自学大数据,18年上半年自学Python等等。基本上平均每天能够坚持学习三四个小时以上,看视频、做笔记、写代码,千篇一律,耐得住寂寞。

我在知乎遇见了很多次的一个问题就是:跟着视频看能看懂,自己敲代码就不会。这个问题很明显就是练习的不够,你刚开始就跟着视频敲,一遍不会敲两遍,两遍不会敲十遍,直到你知道自己敲得这些代码是什么意思的时候为止。

方法

其次,除了努力,还有就是需要掌握方法。一定要将自己看到的、听到的知识,形成自己的东西,让自己记住并会应用。好多新手好奇别人敲代码的时候,怎么很少去查阅资料,一是手熟尔、二是形成了自己的知识体系,知道如何组合每行代码可以形成自己想要的东西。

在自学的很多年里,我对学习过的技术都详细做了笔记,一是以待后来能够温故知新,二是学的东西太多,可以将自己当时的所悟所想记录下来。这里提一句,计算机行业知识不推荐手写笔记。

关于Java

学习Java是我专升本的第一年,是我人生最迷茫的时期。对计算机行业一无所知,不知道学了Java到底能干什么,甚至刚开始连Java能干什么我都不知道。加上Java的前期学习也是进展缓慢,也容易给人一种放弃的想法。

不过还是在懵懵懂懂的几个月里,在舍友的帮助下学完了Java基础,虽然学的真的不咋样,但是也为我后来走上IT行业奠定了基础。

这一部分可以参考我的自学Java的文章我的程序员之路01:自学Java篇

关于大数据

自学大数据是我实习时期,是我人生最焦虑无助的时期。刚踏入社会,虽然身处大数据行业,刚开始也是做一些无关紧要的工作。加上刚到一个新的团队,啥都不会,想要快速融入哪有那么简单。

每天空闲的时候,从别人的谈话中积累一些新的名词,然后晚上下班回去研究学习。晚上一边学习一边在自己的笔记本上搭建集群,遇到不会的地方白天就去公司找前辈们请教,看看理论和实践的差距与不同。

在每天两个小时的通勤中,翻阅了大量的关于大数据的技术文章,也在每天水流般的知识积累中,等来了厚积薄发的一天。这一部分可以参考我的自学大数据的文章我的程序员之路03:我和大数据

结语

其实还是想说,如果我们能够努力争取一个更高的学历,我们就要为之努力。如果我们学历已成定格,我们不妨就当做人生的一次考验,我相信所有的努力都会等来结果,看得到的、看不到的。

兴趣指引选择方向,热爱即是力量源泉。当我们无法回首,不如一路向前。


95后小程序员,写的都是日常工作中的亲身实践,置身于初学者的角度从0写到1,详细且认真。文章会在公众号 [入门到放弃之路] 首发,期待你的关注。

感谢每一次遇见

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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,信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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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