oracle中不包含怎么写_简历中的“项目经历”怎么写?

22efa641f35371ae15257463912371b8.png

简历中的「项目经历」就是用来告诉招聘方:你在这家公司做了什么,突出了你哪方面的价值。
因此需要着重来写,写「项目经历」的时候一般会遇到两个问题:1、写什么?2、怎么写?


【写什么】

简历崇尚一切从“简”,并不是所有你接手过的项目都要写进来,一般遵循如下原则:

1、与目标岗位职能高度契合的项目,比如你想应聘用户增长产品经理,如果你恰好做过一些最终结果是用户增长的西当木就可以写进来;

2、如果的确没有经手过于目标岗位高度相关的项目,那就挑最能代表你专业能力的项目,比如你是项目经理,那就选择历史最长、规模最大、变数最多的项目来写以突出你的专业能力-项目管理能力;

3、数量要看个人履历长短,一般就近两家公司,每家公司写两到三个项目。

【怎么写】

每一个项目要讲清楚三件事:

1、这个项目是什么?

2、你在这个项目中做了哪些事情?

3、项目的成绩是什么?


上述三个问题形成了我写项目经历的框架:

项目介绍:这个项目的背景与目标是什么?或者说项目旨在解决什么问题;

主要职能:你在这个项目中做了哪些事情来完成这个项目;

项目成绩:这个项目最终收获了怎样的成绩,可量化的拿数据出来,不可量化的可以给出定性的结论比如获得XX部门高度认可

这里给出一个示例:

项目名:首页改版

项目介绍:通过增加导购场景、调整原有算法对首页进行改版,以提升首页点击转化率。

主要职能:

  • 根据商品不同维度的特征,设计导购功能模块,制定筛选、排序逻辑并不断调优;
  • 设计广告管理后台,以满足首页广告位投放的需求;
  • 基于上线后CTR、人均访问商品数、访问时长等指标变化,评估改版效果并持续优化。

项目业绩:

首页整体CTR提升15%,人均访问项目数提升20%。


其实我写项目经历的框架也是围绕着流传甚广的STAR法则来写的:

项目介绍:包含了S和T,即situation(情景、背景)和target(目标)

主要职能:包含了你付诸的action(行动)

项目成绩:包含了项目最终的result(成果)


总而言之,围绕STAR原则将你做的项目讲明白,简历就能加分不少~

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