职场中的选择与拒绝

毕业时找工作,大学生SK面临着几个选择,阿朗贝尔实验室,移动通讯,百度后端。

要是你,你选择哪个,拒绝哪个?

最终,SK选择了后者,在百度,他掌握了职业初期的技术基础技能

 

百度即时通讯组解散(SK还挺悲剧的),工程师SK面临着几个选择,转岗去无线组做后端开发,还是转岗去大搜组做策略?

要是你,你选择哪个,拒绝哪个?

最终,SK选择了后者,虽然不能再做即时通讯,既然来了百度,他就要学习百度最核心的技术。

 

转岗还不到半年,同城要组建即时通讯团队,高级工程师SK是要继续留在百度大搜,还是换地儿接着做即时通讯?

要是你,你选择哪个,拒绝哪个?

最终,SK选择了后者,在新公司的即使通讯团队,他提升了即时通讯架构的技术核心竞争力

 

两年后即时通讯组发展相对成熟,系统相对稳定,架构师SK带的队伍趋于平稳,需求过来,按节奏响应即可,如果在线量不到千万,或许架构不再需要大的升级,怎么办?困惑ing,困惑ing。继续做即时通讯或许个人提升较慢,还是不再带队,归零心态,换个业务试一试?

要是你,你选择哪个,拒绝哪个?

最终,SK选择了后者,做支付/做摊销/做数据库中间件/做推荐系统/做APP原生化,在各个大项目的洗礼中,他提升了的业务知识与架构技能的广度

 

又过了两年,集团组织架构调整,高级架构师SK有机会去向往已久但相对成熟的架构部,还是去新事业部负责一个刚成立的4人小组?

要是你,你选择哪个,拒绝哪个?

最终,SK选择了后者,做二手,做心宠,做优品,做转转架构,很短的时间,团队成型并能够转起来,他提升了团队的管理能力

 

2015年,二手/心宠/优品20人团队雏形已备,转转架构设计已定,SK又有只身一人到到家负责大后端的机会。

要是你,你选择哪个,拒绝哪个?

最终,SK选择了后者,从开始招大后端的第一个人开始,到今天。

 

节奏

这是一个看上去平淡的故事,互联网的技术人,SK简单的总结的节奏是:

  • 1-2年,打基本功非常重要

  • 3-4年,一定要有一技之长及核心竞争力

  • 5-6年,可以成为多面手,或者可以成为小组长

  • 7-8年,可以成为专家,或者可以成为有经验的管理者

天赋异禀,或者有好的机会,可以走的更快。

走慢了,看是自己太浮躁,还是哪里出了问题。

 

启示

每一次选择和拒绝,SK还领悟到:

  • 工作的开心比什么都重要,不开心多和leader聊一聊

  • 技术的提升/业务知识的学习很重要,这些才是核心竞争力

  • 公平的环境很重要,要相信,做出了成绩老大一定能看得见,一定会有相应的回报,如果不是这样,早点换一家公司

  • 技术氛围很重要

  • 如果团队志同道合,坚持走下来,往往收获是最大的

 

共勉!

===【完】===

职场中会有很多选择和拒绝,近期100offer发起了一个“拒绝,只为不凡”的活动。

100offer是一个优质互联网机会平台,它通过拒绝90%的企业,严格筛选出来自中国、新加坡、美国等地的优质工作机会,帮助世界各地的优秀互联网人找到更好的职业发展机会。

活动时间:5.10-5.24

参与方式:点击阅读原文或扫描下方图片中的二维码,关注100offer并在该文章下留言,写下自己不少于300字的拒绝故事,100offer将精选出50个优秀故事对外展示,并选出6名用户分别给予不同形式的物质奖励(3000元级别),用以鼓励拒绝的精神。同时,50名精选留言均可获得20元亚马逊卡一张。

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