想加入创业公司?


via

最近我从一个朋友那收到一封信,大概意思是这样的:

我想找一份在创业公司的工作,最好是只有10个或者更少人,这样我不但可以学到很多东西,还能感觉自己在这里是重要的。我也想创业,但是当前,我更愿意加入一家创业公司。

我想了想这个问题,意识到这里面是有一些价值冲突的。

很明显,这个人是想找一个比在大公司更令他兴奋的工作,但是他又不想承担自己创公司的风险,这没问题,很多人在创办自己的公司前都在创业公司呆 过,Paul Graham说,在创业公司工作,你就是1/2^n个创业者了,n指当前公司的所有员工。然而,并不是每个创业公司的机会都是平等的,也不是每家创业公司 都适合你。如果你想找到合适的,你需要首先明白你在找的究竟是什么,然后再开始找。

量化你的风险承担程度

也许最重要的事情就是你愿意承受多大的风险,在这个风险水平上你能获得多大的机会。我的朋友Jason Freedman说过,人们加入创业公司,应该能为公司带来一些基本的东西,但可能最重要的就是控制风险的能力。除了个别一些,最成功的创业公司创始人都 是那些肯吃泡面,并让自己的追随者心甘情愿的3个人挤在一间小屋子里睡觉的人。如果你想找一份工作,你肯定不愿意这样,但是你必须明白你能承受的底线。

举个例子,你找工作是为了缓解你的财务压力么(就是说是否想在第一天就拿到让你满意的薪水)?还是为了锻炼自己带团队的能力(因为现在公司可能已经 有了一个磨合好的有经验的团队)?或者还是你想工作在一个已经有稳定的收入并逐渐实现赢利的公司?(问问你自己是否会为一家可能随时倒闭的公司去工作?)

明白你能得到什么样的回报

一旦已经量化了风险承担程度,就要考虑回报的问题了。很多人梦想着加入创业公司,领着薪水的同时再拿10%的股权,其实大多数情况这都不会发生(除 非你在某一领域已经有一定的名气),但是你必须知道你在这里能拿到什么。并且一定要提醒自己,你所工作的创业公司很有可能会失败,这里你的股权价值介于0 和成交价之间(即便资本成功退出,这种事情同样会发生)。

如果你是第一个加入公司的员工,你可能得到2-3%的股权,也有可能是5%(如果你为团队添补了一个没人能胜任的空白,或者因为你的加入使公司的获 利可能大大增加)。如果你加入的时候已经是第6名或者更靠后(或者公司已经获得一轮投资),最好就别指望能拿超过1%,最有可能是远远低于1%(如果他们 是从某个很知名的投资者那里获得的投资)。

如果你考虑到大多数投资并非那种天才投资,只有1000-3000万美元之间,1%的股份也有10-30万美元呢,这个数字够你在一个大公司工作二 三年了。假想一下回到你原来的工作,并且工资涨了50-100%,然后问问你自己,在这样的现实下,你是否还愿意加入创业公司?每个人都想Google或 者Facebook级别的资本退出,但是这种公司5年左右才能出现一家。即便被Google或Facebook收购都是很罕见的了。可能还有更深入的问题 会降低你在创业公司工作的机率,但是在这里讨论就太复杂了点。

从积极的方面说,大部分不能给你很多股权的公司都能支付你非常高的薪水,所以为创业公司工作,至少可以拿到和在大公司工作一样多的钱。

我的建议

在犯了很多次错误之后,我认为在一家先筹资创业公司工作是没有益处的。他们远不像看起来的那样稳定,相比于创始人,你只能拿相当相当少的股权,对你 来说,并没能为你降低多少风险。你要么拿不到工资,要么只能维持生活,并且公司随时可能会倒闭(使你那么一丁点的股权也随之打水漂)。如果能给你5%的股 份,你可能会想在这里工作,但大部分情况,这种事情都不会发生。如果停下现在的工作什么也不做,你还能自在的过上一段时间,那么还是创建你自己的企业,否 则,我的建议如下:

如果你想学东西并为自己创业做准备,应该把目标定在那些有15-30个雇员并且获得过体面的投资的企业,他们能够支付你和在别处差不多的薪水,同时 你仍能有机会体会到你是这个小团队的一份子,并且能够产生影响力。另外,金钱上也不会特别紧张,因为他们并不需要一个快速的资本退出。当然回报肯定不会像 你自己是创始人一样那么高,但是会比你预期的高(因为这个公司在某些程度上已经成功了),也能学到更多。他们已经有了一些高级工程师,现在他们专注的已经 不再是现在完成事情,而是更专注于正确完成事情。

几年以后,希望这个创业公司能够成功吧,创始人将退休,你也可以离开开创自己的事业(很可能和一些在这些年工作中遇到的天使投资们一起),或者,这家公司没有成功,你在创办自己事业的时候也可以避免它当初犯下的错误。

PS:所谓风险投资退出机制,是指风险投资机构在所投资的风险企业发展相对成熟或不能继续健康发展的情况下,将所投入的资本由股权形态转化为资本形 态,以实现资本增值或避免和降低财产损失的机制及相关配套制度安排。风险投资的本质是资本运作,退出是实现收益的阶段,同时也是全身而退进行资本再循环的 前提。

via

本文链接: http://www.36kr.com/7912

转载于:https://www.cnblogs.com/chinaqiao/archive/2011/01/06/1927710.html

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。
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