现在的工作经验,对你的简历有帮助吗?

我是阿震:

从不相干的职业学了3个礼拜现在找到喜欢的工作入职了。现在工作了也有2个星期了。说下我的经历吧~由于技术层面也达不到,所以仅代表个人意见。

1.要不要换工作?

职场中,很多人常会有这样的纠结:

现在的工作很无聊,该不该继续?

要不要为了更高的待遇选择跳槽?

这其实是因为,他们只关注了某个时间点。事实上,我们的职业生涯不是由一个个独立的点组成的,而是一条很长的线,每一步都是连续的。

想科学地规划职业生涯,你必须把眼光放长,做决定时不能只考虑当前,甚至也不能只考虑未来3-5年,而要考虑每次的职场经历,对你几十年的职业生涯是否有正向影响。

我之前从事的是视觉设计师,由于国内做设计的大环境比较糟糕,天花板很低,偶尔有大神凤毛麟角。

所以,我看准了这个时代的趋势,果断从设计跳到数据分析相关的职位。

那么,我是如何做到的呢?

首先,要有一个清晰的职业规划。互联网那么大,各行各业都有,首先要明确一个行业,要做金融还是电商还是医疗等,因为每次转行成本都很高。

其次,你不可能做10年的运营、产品经理、市场或者数据分析师(数据分析相关的职位),得目光看远一点。想想数据分析做到头是什么?最终想成为技术大牛,还是成为有多年行业经验、懂业务的综合性人才?

做数据分析我觉得始终贯穿的理论知识是统计学。即使技术再牛,所有数据处理工具都能玩的贼溜,但是不会统计还是做不好这个职业。所以我认为统计学作为一个理论基础必须贯穿整个职业生涯。

然后就是业务能力,你得知道公司是做什么的,有什么业务指标。我入职的时候HR又给我培训说到一个词:没用=没用,有用=有用。

在工作上用不上的技能就是没用,用的上的就是有用。即使211、985出来的不了解公司怎么运营也只能做些复制粘贴的工作。

2.需要学习什么?

然后,我所理解的数据分析相关的工具分成3个层次:

1)Excel

Excel我觉得不管任何职业,都是必修课来的。有时候一个简单的处理命令就可以为你节省了几个小时的时间。

我现在也在学习python但是有时候效率还是远不如最接地气的Excel。Excel用熟练了,处理小规模数据我认为就完全没有问题了。

2)SQL

SQL数据分析必修的语言。我认为主要在查上面,我的工作也是主要应用在查上。

3)python

对于重复性工作,可以使用ptyhon来提高效率,实现自动化处理。我用的比较多的是python的分析包pandas和numpy。


3.现在的工作有什么想说的?

这段时间的工作中我总结了几点。

1)保持自我更新,投入更深层次的工作中。

2)在时间分配上,有分为重要且不紧急,紧急但不重要,不重要但紧急,不重要不紧急。

其中学习是不重要但紧急的范围里面的。需要有计划的去进行,如果想有突破继续上升,你必须从间断、被动的工作转向更有自主性、更有深度的项目中


3)有想法就快行动,不要等太久

很多人会想等万无一失的时候再行动,但其实从来就没有完美的计划。我当时找工作想着把python学完再工作吧。现在想想觉得这个想法挺幼稚的。因为计划总是赶不上变化。当你有了大目标,就要尽快将它变成一系列小而具体的事项去实施。

4)不要因为一份工作短期内薪资福利很高,就马上接下

你要牢记,下一份工作必须有利于你整体的职业生涯,否则薪酬再高都没有意义,需要抵制它的诱惑。

5)定期把职业目标向更高的方向调整

你可能有了一个清晰的职业目标比如做一个数据分析师,但这只是第一步。在职业的每个阶段,你都应该确认方向是否正确。


上面内容来自猴子社群会员的求职经验分享,来源:⠀

https://www.zhihu.com/question/47760443/answer/708194503

推荐:你有一份求职秘籍待领取

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