跳与不跳,转载

如果有人对我说:“Leo,我毕业后工作五年了还没有换过工作呢!”

听到这话的我第一反映是:“你是国家机关里的公务员,今年公务员录取比较好像是好几百比一。你这个家伙早几年考上了,不错。或者是在类似事业单位的地方干,反正不错。”

我们假定跟我说话的人叫“何古定”吧,这样好记。

如果接下来他告诉我:“我不是公务员。”

我的第二反映是:“ 何 先生你是学生创业OR是你们家自己的公司,五年奋斗还能在市场上坚持,祝贺!”

何古定:“也不是。”

口口口口口口作者在此删除1千字……

无论 何 先生是那种情况,相信不换工作原因多半与转换成本过高有关。

 

换工作(跳槽)是当今工作在公司里的人经常遇到的事情,没什么稀奇的,N年在一家公司的相同职位上干才是件稀罕事。但是,“跳还是不跳”这个问题仍然却时不时地困绕我们一下。

 

对于解决跳还是不跳这个问题,画个表分析一下,权衡一下跳的机会成本是个简单易行的方法。

 

找张白纸一上、一下画上个大大的“T”字,在T字左右两边写上如下内容。

 

上边的T字左边写上现有工作的好处,右边写上现有工作的不足。下边的T字左边写上新工作的好处,右边写上新工作的不足。之后,按以下逻辑进行分析硬条件、软条件。

 

硬条件(能准确衡量)一般包括:职位、薪水、福利、上下班远近、企业性质。

软条件(不能准确衡量)一般包括:公司前景、企业文化、本部门的领导风格是否适合自己、职位和技能的上升空间、自己在此还能能学到的东西、自己留下(离开)给部门带来的影响。

 

列地越清楚,就越方便判断。列出之后,把目前公司的好处与新公司的好处相比,再把两个公司的不足之处相比。

 

下面举个例子:

小刘目前在一家软件公司,职位是初级程序员,同学给他介绍了另一个软件公司的工作机会,职位是程序员。小刘把现公司的工作和未来可能“跳”去公司的工作进行比较如下:

 

目前公司职位:初级程序员

有保险

薪水低(1500元)

离家近(20分钟)

缺乏上升空间

相对稳定、有熟悉的环境

没有公积金

目前经理的风格随和、与自己关系不错

……

……

 

 

新公司职位:程序员

有保险、公积金

离家远(60分钟)

薪水有提升(2000元)

新的环境虽然熟悉熟悉

相对正规、更有发展

不了解的新行业

……

工作压力很大

 

……

 

故事的结尾是:小刘权衡之后对“跳还是不跳”有了自己的答案。

 

T表就如同一个天平。

如果相较之下天平向一个方向明显倾斜,跳还是不跳就结果立现。

如果还出不了结果。建议你写完后把这张纸放一放,一周之后再拿出来看。看一看是否有能增加的因素。相信反复多次之后,针对目前阶段的情况,较适合自己的选择会呈现在我们面前。

 

总之,无论多跳之前我们计划的如何周全,新的工作机会多多少少对我们来说都有“黑洞”,即我们无法了解的部分。不明朗的部分越小、我们对自己的情况分析地越到位,那跳的成功率就越高。 

本文转载:http://blog.csdn.net/jobchanceleo/archive/ 2007/05/07 /1598920.aspx

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