这10条学习经验帮助我度过了难关

我是林一:

1.如何拿到offer的?

大学学习的经管专业,操作性不强,业余时间充裕,于是在课余的时间里计划学习,顺便也培养一下自己分析问题,解决问题的能力。

虽然网上有很多课程,但是非常杂乱,也不知道该具体学习哪一个,眼高手低,走了非常多的弯路。非常希望能有个人能给我规划一下学习路径。

这时我遇到了猴子,非常适合小白入门的规划,遂跟之学习。做完了课程里的项目,算是对数据分析这门学科的大框架有了一个大致的了解。而不是像过去那样学了一大堆理论知识最后派不上用场,最终磨损了自己学习的动力和激情。

之后的一年时间里开始准备考研,之前的学习也就暂时放下了。考完研后,我和很多焦虑的同学们一样处于一个不上不下的状态,考了一个擦线的成绩(还在等复试线….)。

找工作也没有太多的时间去准备,所幸的是通过之前学习所写的两个项目成为了在面试时相比其他同学的一个亮点,还是比较顺利的就拿到了三只松鼠的offer。

下面先说说我总结出来的10条学习经验,可以让你的努力更加有效。最后也简单复盘一下我在找工作过程中的有些求职经验。

2.学习经验有哪些?

1)学习的开始找人给你规划一下,积极向有经验的人请教问题。针对自己的目标,制定出学习方向,站在巨人的肩膀上成长的才最快。

2)学习的过程做好笔记,记录好难点,外放自己大脑,之后在做项目时方便随时回来复习查看,建立自己学习知识库。

3)快速反馈是学习驱动力的来源。边学习边操作,可以学的更快更好,同时有更好的驱动力和满足感。

4)学习的过程是枯燥的,有学不懂的知识很正常,如果不是特别重要的内容可以跳过,空白一段时间后再回来看,人脑会在潜意识里对所学知识进行关联,这时再回来看会更容易。

5)不要只盯着一个目标,去焦虑,而是要建立一个可积累的系统去帮助自己实现推进目标。比如你将学习的过程作为你生活系统中的一个部分,每天晚上的时间抽出两个小时学习一个块,每个周末的时间尝试做一个项目。

6)正确的目标决定方向,系统负责推荐方向前进。

7)人类的大脑构造决定了实践更容易让你学会一个知识,不要只看书或者视频,而不去做练习。掌握了最小的实践技能模型,就立刻去做项目来验证知识吧。

8)留下作品,在面试的时候发现很多应届的同学,没有任何的项目经历可言。如果学习完一项内容你没有任何能够体现你学习成果的内容,别人又怎么会相信。在面试时如果你能够介绍你的作品,无疑是一个加分项,这次找工作的经历也验证了这一点。

9)所有的执行力不够,都是因为你对为什么要做这件事认识的不够深刻,如果真的非常刻骨铭心的明白你为什么要这么做了,你去执行这个学习项目的阻力会小很多,你不会在问很多无谓的问题。学习一个项目之前一定深深反问自己学习的目的,将你所有的疑惑和目标写写下来,减少未来的阻力。

10)独学无友,则孤陋而寡闻,建立自己学习的生态。如果你真的想学习一个技能,就加入相应的圈子,关注领域内的前辈。在环境的驱动下,你会获得持久学习的动力。

总结一下学习经验就是:确立目标、创造环境、系统执行、实践反馈、减少阻力、分享交流、和他人一起进步。

3.求职经验有哪些?

1)HR更加注重的是你的经历、性格、能力和职位的匹配度,而不是你具体的执行某件事的能力。一般部门主管会更加注重你的实践能力,对待不同的部门的面试官,回答问题的偏重不同。

2)自我介绍的时候,可以在介绍完自己的背景之后,重复一下公司的招聘需求,最后凸显一下自己为什么适合这份工作,自己的经历为什么是匹配这份工作的,自己的的能力也是足够胜任这份工作的。

3)如果你的面试官全程冷漠脸,也不要害怕,听说这也是一种压力的测试,保持自信大方就好。

4)对面试中的每个常规问题,都要进行准备,最好写成草稿存在手机里,确保面试时能对答如流,不用觉得这样的回答过于死板,不够自然等问题,我去面试时,所有问题准备的特别全面的同学都过了,而现场思考回答的同学,最后的结果都不太理想。

5)面试官问你的每一个问题,你的回答都要紧扣着你和工作的匹配,而不是随着个人思绪随便发散,比如问到你觉得你的性格缺点,就可以说我比较胆小谨慎,我对待工作反复检查,但是这份工作需要一个严谨的性格,所以我是适合的。

6)去面试之前,一定要对公司要做一定的调查,了解它的企业文化,和未来的发展方向,如果HR问你对公司看法,要表现出你对公司的了解,以及对公司文化、发展强烈的认同度,公司也希望能够招到长期稳定的工作人员,如果你对公司不认同、不了解,那么HR又如何会相信你会稳定在这份工作上呢。

7)准备好面试作品,准备好对自己过去经历的一些复盘,对其中的几个亮点进行包装,当然还是要紧扣这个经历、这个能力对工作有什么用。

8)如何选一个工作:行业>城市>职位>公司>岗位。但是也不绝对,但是大的趋势是这样,待在人们需求大的行业、待在快速发展的公司、待在资源不断聚集的城市、待在能够创造公司核心价值的岗位,你只要安心做事,发展绝对不会差的。

总结一下找工作就是:凸显你的匹配度、你的稳定性、你的能力胜任。

最后分享在《数据科学家访谈录》中的一段话:

对于初入这个行业的新手,您有什么想法或者过来人的经验想要与他们分享吗?

勇往直前!

大胆地向前走并且去学那些你必须要学的东西。很多人都被数据科学那虚高的门槛吓坏了。他们看着招聘启事上那一串长长的“需求列表”,想想自己不是出众的工程师或者统计学家、可视化专家,然后就天真地觉得自己不够格。

我觉得他们不应该妄自菲薄。你可以将自己培养成T型人才,也就是说,广泛地培养自己的技能,但是专注于其中一项技术。

所以说要有自信,并且不断学习,你将会惊讶于自己竟然那么快就能学会那么多东西。


上面内容来自猴子社群会员的求职经验分享,来源:⠀

https://zhuanlan.zhihu.com/p/123385534

推荐:你有一份求职秘籍待领取

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,博主看到后会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,博主看到后会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,博主看到后会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 2
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