找工作的“金三银四”,如何准备一份独特的“简历”

春天来了,又到了“金三银四”换工作的时候,但这两年的“金银”成色似乎没那么足。

当职位需求不那么旺的时候,让自己这个供给变得足够特别是一个好方法。作为敲门砖的简历,如何突显自己的特别之处?以下是我的建议:

第一,不要用同一份简历去“海投”所有可能的岗位。做产品的都知道,试图用同一个产品满足不同的用户需求是没道理的,简历作为你的一个产品,也应该针对每个特定的岗位做些定制。

第二,将你过去的工作、甚至求学经历想办法串联起来。设法把你过去的每一段经历,都找到闪光点,然后找一个逻辑串起他们,没法关联的,不妨舍去,就像我们做产品时砍功能一样。

第三,结合前两点,顺着时间线往后推导出,你为什么合适这个岗位。就好像,你过去一直在为这个岗位做准备一样。

第四,在简历中体现出你对相关特定领域的持续输出。在我看来,产品人有两个底层素养最重要——持续的领域热情和快速的学习能力,所以,在简历中附上你的持续输出,是展现这两点最简单的办法。

这种持续输出,确实需要一点时间,最好的开始是N年前,其次就是现在。

形式上是文字、视频、播客……平台上选公众号、视频号、B站、小红书、小宇宙……都可以,关键是体现出你对某个领域持续的探索,而这个领域恰巧又是这个岗位相关的。

文字,似乎还是性价比最高的形式,不仅产出方便快捷,适合“临时抱佛脚”(就算你来不及写,至少可以先写个三五篇,然后列出打算写的几十篇标题),而且对看简历的人来说,也更适合快速扫描,甚至,你还可以找AI帮忙……

以下是一些示范,推荐7位通过长期文字输出获得了很多回报的朋友——

他们都是,或曾是长期实战在一线的资深产品经理(当然也包括我),他们有的是创业者,有的是大厂P9,有的是产品负责人。更重要的是,他们都勤于输出,毫无保留。

欢迎大家关注他们,与他们建立联系,祝大家在“金三银四”,找到自己心仪的offer。


以下是来自他们的7篇精华文章,欢迎大家阅读,也欢迎关注他们的公众号。

推荐理由:技术琐话由从事行业20年/互联网行业12年的右军创办,联合几位知名公司CTO/技术总监联合坐馆,主要关注方向企业架构、数字化转型、互联网架构、技术管理、认知成长等。最新原创发文《聊聊如何度过寒冬》。领取认知类资料,公众号回复:成长认知,可获得原创资料下载

精华文章:从百亿到万亿:如何打造一支承担企业战略使命的研发团队

推荐理由:10年持续原创,陪伴10万+职场人与创业者不断成长的公众号,作者BLUES有20年职场与创业经历,历经腾讯、YY语音、迅雷、梅沙科技等C端到B端产品策划与运营,通过真实案例分享让读者提升认知,获取技能方法,从工作到生活更加豁达通透。

精华文章:如何跨越裁员的寒冬:值得你尝试的职业成长诊断方法与规划实践

推荐理由:产品创新顾问,《人人都是产品经理》系列4本书的作者,前阿里8年产品经理,集团产品大学负责人,良仓孵化器创始合伙人。从业小二十年,看过各种公司和产品“初乍到、起高楼、宴宾客、楼塌了”,最近比较关注“中老年产品人”的生存/职场现状和未来,欢迎来聊。

精华文章:四十岁产品经理的几种归宿:升上去、沉下去、转个弯、躺躺好……

推荐理由:作者老K,产品经理兼职段子手,前互联网金融、B端SaaS高级产品经理,现在是自由职业者,有丰富的产品、创业、逗比经验。这个6万+产品人共同关注的公众号,你也值得拥有~

精华文章:产品经理PUA程序员话术大赏

推荐理由:号主程军,他有15年互联网行业经验,曾任前饿了么产品技术总监,前贝壳找房总监。写作真诚,个人成长、职业规划、副业、产品、管理、职场相关干货原创,300➕篇,扫码关注后,还可以加他私人微信,拉你入高质量产品微信社群。

精华文章:我沪漂 16 年,再也不打工了!

推荐理由:号主猪哥,底层打工人,非985高校非大厂非大牛;前退伍军人,连续创业者。

每天为群员解答一个问题,目前共回答了1309+问题,陪伴3万+粉丝走过了3个春夏秋冬;3年如一日,雷打不动,约定一起坚持10年。关注我,拉你入群,每天认知升级。

精华文章:产品人成长笔记大全

推荐理由:《B端产品经理必修课2.0》作者,江湖口号:“干B端,找李宽”。微信公众号:李宽wideplum,公众号目前有超过3万多名粉丝,汇集产品经理、B端、SaaS领域从业者。

关注公众号,回复:入群。邀请你进入,可能是最大的B端产品经理微信群。

精华文章:锻炼产品架构思维的4个维度

_________

苏杰(iamsujie),产品创新顾问,《人人都是产品经理》系列4本书的作者,前阿里8年产品经理,集团产品大学负责人,良仓孵化器创始合伙人。

如需产品经理/产品思维/产品创新相关领域的培训咨询服务,欢迎联系这个微信(13758212411)。

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专业,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专业,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专业,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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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