13个开发者技能必知必会

13个开发者技能必知必会!
一、JavaScript
最近熟练掌握JavaScript的开发者不会没有饭碗。精通JavaScript是目前为止被管理者和HR提到的最频繁的技能。目前市面上JavaScript已经被证明是高可移植性和高价值的技能。

二、Big Data
去年大数据项目持续增长,预计未来一年发展态势依然不会减慢。开发者应当深入理解商业智能、数据分析、机器学习,及其他转换存储聚合大量数据的解决方案。只有这样,开发者才能够帮助公司处理大数据,制定更好的商业决定。

三、Full Stack
很多顶尖公司正在寻找全栈工程师,他们可以轻松地穿梭于大量的技术和平台之间。

四、DevOps
在简历中考虑添加开发运维技能不仅能提高热门工作的竞争胜出概率;DevOps实践轻易地打造更加优秀的开发者和无价的合作者。DevOps还可以提高团队的凝聚力和灵活性。这是一个可以使公司加速前进的边际价值。

五、Diversify
和前些年相比,今天的公司所追求的技能更加多变。Java和C#需求仍然是市场的一部分,但是如果你看一下最近一次经济衰退(2008)之后成立的公司,变化一眼可见:Ruby on Rails,Python/Django,Node.js,函数式变成如最流行的Scala。

六、Open Source
尤其对于自由开发者,指明自己在GitHub上托管的代码表明你的工作被用在了好的地方并且并且被你的伙伴review着。

如果某公司利用GitHub上的开源技术充实他们的技术栈,你不会别别人更具备优势吗?

七、Agile
敏捷开发,应当是2016开发者的抖动技能,一边谦虚地学习,一边饥饿地探索。熟悉敏捷和精益方法——化整为零,制定优先级,响应变化,传递价值。

八、Secure
根据墨菲定律,去年被爆出安全漏洞的公司已经知道2016年自己最想要什么样的人和什么样的技术了。

随着云计算的使用,安全和规范称为组织的痛点,导致了安全、规范、监管和数据管理领域专家的大量需求。

九、Mobile
移动开发者受到高度追捧,尤其是那些具有广阔创造力的人。称为一个出色的移动开发者,单纯地通过一些技术是难以实现的,更多的是对商业的理解。编写代码只是项目的第一阶段。掌握如何提升自己的移动App,吸引和留住客户,是成功的关键。

十、Cloud
一说到云计算,不仅仅指工具。未来发展趋势的一部分,公司在寻找拥有商业技能的开发者,包括项目管理和与投资人谈判的能力,如TEKsystems。额外地,“促进商业前进”类的技能有更高的需求,而战术性工作的需求在减少,这是由于云计算供应商在提高供应战术性工作的能力。

十一、IoT
从前预言的物联网概念正在展现,不仅是雇佣的需求,也是技术精湛的工程师想要探索的领域。不再仅仅是嵌入式系统工程师的专属,你可以通过JavaScript进行实现。一些协议如Wi-Fi Halo、可穿戴设备和IoT设备的出现,开放了轻量级的SDK,将为开发者释放更多机会,用以显示和实现一些超过自己和环境所能提供的东西。我们将会看到更多基于这些工具的软/硬件的协同设计。

十二、Persuasive
客户管理技能非常重要,当另一个选择能够传递更多价值时,战术性后退但更具说服力尤为重要。并且,能够教育客户了解软件的本质,通过实践进行引导,长远来看对他们更加有益。

十三、Flexible
如果你超过了10项,是团队中的全能,组织对你的能力有更多的需求而不是供给。但是如果你准备改变自己的事业轨迹,正确的态度在找和留之间至关重要。

成为一个好的团队成员,有解决问题的强烈意愿,而不是成为麻烦制造者,对其他伙伴施以援手,志愿服务理念和努力提高产品或者文化对任何团队来说都是无价的!

原文链接:https://dzone.com/articles/the-13-developer-skills-that-will-get-you-hired

  • 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