第一次找工作总结


工作基本上应该就是确定下来了,先不说今年的找工作的形势,单从自己复习的状态来看确实是差了许多,所有有个结果自己还是挺满足的。


自己总结下自己的失败之处:

1、选择java作为自己的方向,其实从开始学习java到现在,自己只是简单的应用,根本没有做许多项目,也没有对java的基础知识有很深的了解和学习,理解也不是很充分,而在现在的形势下,java主要的方向是各种框架的学习和使用,而这个也只是简单的接触过JSP和MVS,连structs都没有接触过,何谈可以在java的路上走远的;其次,今年大多数公司招人的时候还是会首先从C出发,而自从学了java之后,C就再也没有用过,能进面试也是凭借着大一的时候宋老师给打下的坚实的基础,虽然称不上多么深入,但是绝对的基础很扎实,所以还是有了各种的面试机会,这是自己的第一个失败。

2、在数据结构和算法上没有下很大的功夫,这个也算是一个很大的败笔,说来惭愧,作为一个计算机专业科班出身的学生,居然没有把数据结构学明白,自己都觉的说不过去,可见自己的浮躁之处,这部分在考研的时候复习的就不充分,同时在找工作的时候光想着各种的海投,而没有全面的复习好,好多基础的东西确实是死的,同样也是可以千变万化的,而且基本所有的公司尤其会对串、二叉树、排序或多或少的考一些,即使笔试的时候考的很简单,也会在面试的时候有深入的考察,作为一个应届生找工作,这是尤其要注意的。

3、没有准备充分,这是最大的败笔。没有静下心用两个星期,把所有的计算机基础知识重新复习一遍,然后再通过不断的笔试和面试去完善知识死角,我虽然会总结,但是还是不专心也不全面。一心的忙老师的项目,等到项目忙完了,也开始进入找工作的开始了,十一是一个很好的时机,结果也去了哥哥家,又一个自己错过的学习的机会,《编程之美》和《面试宝典》是两本必看的书,尤其要重点研究的是编程之美,这绝对的是经典,而且可以拓展思路,而面试宝典也只是扫扫只是的死角,所以把两本书看的差不多也会收获一份不错的工作。总是作为一个应届生找工作,首先要过笔试这一关,这就是考基础知识,然后就是进入到面试,在面试中会问到你的项目,如果是自己做的项目,大多没问题,而且项目方面不要作假,最后就是自己一定要定位清楚,这样在HR这关也没问题,但是不排除HR面刷人的,就像同学跟我说的,跟着的HR的:压力面、性格面试、还有褒奖你看你的状态等等的面试,但是个人认为软件公司一般还好一些,这个就需要自己去掌握。

4、客观的原因。第一,我是个女生,但是总觉的今年女生也没有想象中的那么难找,所以还好;第二,所读院校为非985、211,很多地方都会受到歧视,尤其在形势不好的情况下,这个还是有一定的影响因素,除非你能力绝对的强,这些都不在乎,这个还是看个人的心态吧,我觉的我可以接受,因为别人曾经确实比我努力过,但是未必将来我就不行。自认不是技术不怎么着,但是还想做技术相关,开发肯定不满,纯测试不想做,就可以考虑测试开发;第三,自己的心态和选择,总觉的自己一定要摆正心态和位置,知道自己到底什么基础,和自己的目标,不要摇摆不定,也不要眼高手低,都想去大的软件公司,但是同样这样的公司要求也严格,其次是要做好充分的准备和自己想做的职业,是纯技术,是开发、测试开发还是测试,是产品、销售还是营销,是外企、国企还是私企,是纯做技术还是计算机相关的行业,都要想好,不要在找的过程中,再去转,确实是很累。不过现在的趋势是移动互联网和大数据,特别想做数据分析工程师,但是算法真是不过关啊,所以还是慢慢走吧。


差不多就是这么多,这些都是自己到现在为止的找工作的总结和教训,第一次找工作的经历现在也算是告一段落了,走过了这段路,自己大公司也面过,小公司也面过,纯测试也面过,基本上大公司都想去,被人家鄙视,小公司我们鄙视,应验了那句上赶着不是买卖这句话吧,但是还是感谢给我offer的公司,说句实话,现在为止都不知道自己是怎么找到的工作,不过还是知道自己好多不足。


希望12月份可以去实习,在实习的时候选定自己的方向,做自己想做的方向,然后好好规划自己的职业生涯,虽然今天看了一篇一个程序员转行之前写的文章,有一股心酸的感觉,但是总觉的既然学了这个专业,没做过程序员是不是对不起自己呢,可能死心眼了,还是想走两年再说,很多人也说这样的人生规划和职业规划都不对,可是不走过谁又知道结果呢!!


加油~~~

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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