我希望看到什么样的简历

前几天看了一下,公司一大半人都是我亲自邀请或者招到的。现在也一直在继续招人。

    最近又正好是07级本科毕业生和一部分应届研究生找工作的时机。虽然不是专业的HR,但作为公司负责人,我也想把最近招人的一些感受分享一下:

    一、希望看到职位针对性强的简历

    收到一份没有职位意向的简历是非常令人反感的。比如你想应聘PHP开发这个职位,但你的简历中根本没有“PHP开发”这样的关键词,那么被录用的机会就会大打折扣。当然,你也可以用一些灵活的描述据代替某一个具体的“职位”。总之,得有一个目的。整片简历扫一眼如果都不知道你想做什么事情,那我觉得被直接pass的可能性是非常非常大的了。

    二、希望看到有较强入职意向的简历

    创业公司的发展优势是什么?快!天下武功,唯快不破!

    那么在组建团队和吸纳人才方面,创业公司一般都是非常希望能找到有强烈入职意向的人的(所谓“志同道合”)。所以,在简历中体现一个“最快入职时间”,我觉得会比较有吸引力。

    三、希望看到有Blog、作品具体项目的简历

    如果是应聘美术类、设计类的工作,一定要附上作品。对我来说,其实一个个人主页或Blog链接(如果担心隐私外泄,可以建立一个专门放作品的blog)比放到附件里的作品更有吸引力。作品是死的而Blog是活的,通过Blog可以看到一个人不同时期的水平和历练。另外,如果一定要发附件,请尽量直接发图,或者zip,发rar的我基本上就懒得看了。

    四、希望看到言简意赅的简历

    特别害怕看到放了大量诸如“校园XX节表演冠军”、“选修了XX、XX、XXX、XXX……课”、“参加了XXX社团”、“在X、X、X公司实习”的简历。这些东西其实简单介绍一下就OK,我看到一些简历把非常鸡毛蒜皮的事情都放上去,让人哭笑不得。

    当然,我非常理解应届毕业生的处境,毕竟中国高等教育本身就存在缺陷,从大一入学军训,到大三的所谓“实习”,大多数情况下,如果你自己不努力跳出来,是学不到什么实际经验的。写简历的时候可能什么事情都想不出来,这时就想把那些很细微的精力都搬出来。我建议如果写不出经验就简短描述自己的性格和兴趣,都好过那些可怕的堆积内容。

    五、希望看到有期望薪酬的简历

    期望薪酬放到简历中是非常有意义的!加入期望薪酬非常有助于提高双方沟通的效率。几年来,看到很多小漫画,以薪酬为主体去激化公司和员工之间的“矛盾”,我现在觉得真的是非常扯淡。其实对于一个真正有理想的公司来说,薪酬体系的设计是会非常重视的。同样地,越是足够优秀的人才也越是明白人,应该越了解自己的价值。作为公司来说,亏待一个人,实际上是给自己的发展找麻烦。(某些极权“公司”除外)

    -

    总结

    这些建议可能不适用于其他单位,比如一些大公司或者国企,毕竟我不是专业的HR。但对于创业公司来说,我相信很多同道中人会认同我的观点。

    另说一句,很多大公司会做“人才囤积”(不算“人才储备”),就是把许多毕业生招进来“慢慢培养”,而其主要目的是不想让竞争对手给招过去。这样对大公司来说虽然多花一些成本,但避免了战略上的潜在压力。而创业公司里,同样职位所做的项目和产品则肯定是非常给力的(套用最新的一个单词叫very geliable)。这是创业公司的一个优势。因此,选择一个优秀、与自己长期发展匹配的创业公司,可能会比去一个大公司有更大的价值。

  • 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)的任务是找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