既然很多工作 35 岁就会被裁员,那么深耕一个领域的意义是什么?

点击上方“视学算法”,选择“星标”

干货第一时间送达

编辑:3D视觉工坊

https://www.zhihu.com/question/391921616

本文仅作为学术分享,如果有侵权,会删文处理

给出问题。

既然很多工作 35 岁就会被裁员,那么深耕一个领域的意义是什么?

作者:兔兔兔兔兔兔兔兔
https://www.zhihu.com/question/391921616/answer/1196385936

没什么意义,只是被骗而已。

35岁失业的本质,是中国产业升级失败的结果。一个劳动者最能输出的年龄在55岁左右。如果产业总是徘徊在低端重复的水平,是不需要55岁熟练的经理,工程师的。

与之对比一下,你看看做官员,是没有35岁失业的,因为官员领域人家是成熟的,广泛需要能力强,经验丰富的老手的。

另外,炒股行业也不存在35岁失业的情况。

大致可以认为,行业幼稚,而从业人员没有认清其幼稚本质,胡乱深耕,是35岁悲剧的主要原因。

作者:弗兰克扬

https://www.zhihu.com/question/391921616/answer/1221857312

时至今日,让我感到诧异的是,在这个问题下面仍然有很多人跟你扯什么,要掌握一技之长,要培养自己不可替代的能力。

关于职场和一技之长以及到底能不能不可替代我以前已经说过很多次了[1],就不再多说了。

对于这个问题来说,能提到 一技之长不可替代 基本就都是没说到点上。

我们要知道,在这个社会上有很多行业和职业是没有35岁现象的,比如公认的那几个会越老越吃香的行业,还有很多夕阳产业,因为待遇很一般,缺乏足够多的新鲜血液的持续注入,所以会有很多人领着普通的薪水一直干到退休,一般在这些行业里,你持续深耕,都会获得回报。

会频繁出现35岁现象的行业,一般都是变化非常快,技术迭代速度也非常快的行业。

并且这些行业一般待遇都会比较高,所以可以持续吸引有能力的新人进入。

(而且嗷嗷待哺的新人们会持续用语言和行动告诉老人们,你们得让让位子了,要不我们吃什么?)

这些源源不断的有能力又能干的新人是这个行业可以肆无忌惮地大搞996和35岁定律的资本。

这些行业的特点就是,行业变化快,技术迭代速率也快。从业人员的日常工作强度也会很大。

而从事相关工作的人由于每天的时间和精力基本上都被996模式的工作给掏空了,所以几乎没有时间去跟进最新的技术。

当技术大面积更新换代的时候,这些老人们就会发现一个残酷的事实:

要么是自己没有精力再快速地掌握新技术了,要么是掌握了新技术,但996的能力已经没办法跟年轻小伙子们比了。(而自己年轻时积累的那些优势,由于范式转移[2],许多都用不上了)

这就有点像,过去十年你一直都在深耕塞班技术,忽然大家都用安卓了。这不是你能力强不强的问题,而是轨道变了,行业发生了范式转移的问题。

虽然你过去丰富的开发经验可以让你在短期内也学会安卓开发,但你面临的残酷事实是,市场上有着一群上班就能马上干活,比你年轻十岁,能力和你一样强,精力更旺盛的安卓开发者。

所以,面对这种情况,公司一般会选择换血。

这是短期来看,利益最大化的选择,换你是资本家,你也会直呼真香!

所以,对于员工来说,要么你是超人,可以在持续996的情况下仍然保持很强大的学习能力,持续学习新东西,要么是你能够摆脱这种模式的困扰,换一个35岁现象没那么严重的行业。

作者:玄袂临风

https://www.zhihu.com/question/391921616/answer/1220748310

我今年41岁了。

我在智联和51的简历已经有将近七八年没有改过了。

35岁之前,我接到猎头的电话。平均是一个星期一个。

38岁之前,差不多两个月一个。

40岁之后,几乎没有人打过。要说我没能力,我是不信的。我从事的品牌策划,市场营销工作有破亿的单品销售数据,且个人贡献度不低于40%。

所在部门的任何一项基础工作,我都可以不亚于月薪在8000元以下的求职者。


我属于那种天赋不怎么样,还比较懒的人。

过了35岁,很多行业越深耕,越绝望。

年轻人的迭代和学习速度太快,进步太明显。感觉自己怎么都追不上,比较优秀的那一批人。

只能依靠自己的人脉和资源,混钱花。

因为这两年尝试跨行业未果。突发的新冠要了我的亲命。

还tmd要重新找工作。

现在我去51智联找工作,只能拿到原来月薪的1/4,甚至更低。原来的岗位根本不可能。

而且hr还挑三拣四。


所以,我个人看来,深耕一个行业。

只能让自己被时代淘汰的慢一点。

35岁真的是个坎儿。

和我同年龄段40岁的人,除去自己创业的。

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