这些学习中的坑,可以帮助你节省时间

我是拉拉:

我毕业之后在一家互联网教育公司做运营主管,工作内容涉猎很广,但从沿海返回内地重新找工作之后才痛心地发现,自己却是“广而不深”,竟然拿不出一门核心技能来应对职场。

痛定思痛之后,决心在“数据分析”这条赛道上定点突破,从年初3月份制定规划到9月份找到工作,花了近半年的时间初步达成了目标。

当然这只是第一步,但毕竟也是阶段性的胜利,值得自我激励一下,也值得把这个过程中的学习经验和面试经验跟大家分享一下,希望对有心人有所帮助有所激励吧。

1.学习遇到哪些坑?

一句话概括我的学习经验的话,就是“师傅领进门,修行在个人”。

我学数据分析是有贵人相助的,有个朋友在银行做数据分析师,他给我分享了一定的工作经验、学习资料和学习重点。

但是,但是,但是:他——很——忙。每次见面我都喜欢调侃他的发际线是“聪明绝顶”,所以大家务必保护好自己的头发哈。

结果实际上我们交流学习的时间很少,这对我旺盛的学习需求来说是远远不够的,怎么办呢?

很幸运地找到了自己人生的另外一位贵人:猴子老师。

猴子老师在数据分析学习方面,有系统的逻辑连贯的职业规划、课程安排、案例分享等,还有游戏闯关、社群答疑服务的学习方法。

接下来就好办了,不用太费脑子,跟着老师的课程安排一步一步走就OK了,就这么简单。

总之,要想学好一门技能,就不要自己去重新发明轮子,要学会站在巨人的肩膀上,找对人跟对人,然后一招一式细细地学就好了。

因为我是非计算机专业出身,大学只学过C语言,等到工作时早就都还给大学老师了!可以说我在编程方面真是“一穷二白”,所以我重点跟大家分享在Python学习过程中遇到的坑,希望你绕过坑,节省时间。

我在这方面的建议是:不要直接学习《利用Python进行数据分析》这本书的内容。因为这本书应该是为专业人士编写的技术类书籍,对于缺乏相关背景知识的人来说,不管是章节安排还是语言风格(英式中文),对于初学者都十分不友善。

我在读这本书的过程中,不断进入到这样的状态:我是谁?我从哪里来?我要到哪儿去?……可能也跟上了年纪学习能力下降有关,总之这本书给我带来的挫败感多于成就感。

2.面试经验有哪些?

一句话概括我的面试经验,可谓“天助自助者”。

经过一段学习,在得到了朋友的肯定之后,我投了一家为银行的数据分析公司,最终也成功拿到了这家公司的offer。

我总共经历了三轮面试:首先是笔试,要求限时完成;其次是技术领导的电话面试;最后是现场面试。

笔试题是取款机智能化监控及分析需求,要求当天晚上10点之前完成。

我自然想向朋友求助,然而他却因为加班而无法给我提供具体的指导。怎么办?在有限的时间里完成任务,只能靠自己的积累和过去一段时间的学习了,所谓“天助自助者”主要指的就是这里的应对。

冷静下来,用逻辑树分析方法来拆解问题。取款机智能化监控可以分解为两部分,加钞目标分析和优化目标分析。取款机运营效益评估体系,朋友之前多少提到过,利用自己的文献搜索和整合能力,把框架搭建起来充实起来。最后写了一份技术实现方案。

总之,感谢自己过去的积累和学习,笔试题顺利通过。

接下来为了应对技术电话面试,我整理了应聘公司的资料,并把社群里的“求职秘籍”里的每一道题都记下来如何作答。

结果很幸运,面试官问的题大部分我都押对了。总之,多数问题我都做到了对答如流,于是技术电话面试也顺利通过。

最后的现场面试,老实说现场面试个人认为表现得不理想。一旦面试官问到很细节的问题,我就无力应答,只能像考研英语面试那样“装糊涂”,用自己背过的熟悉的话术去“应付”,多少有点尴尬。

事后反省,常见的面试题一定要多复习,千万别懒省事复制粘贴。看这篇文章的朋友们要引以为戒!另外就是要及时复习,尤其是面试前,把你写过的SQL复习一遍。

最后结果还算幸运,最终收到了offer。感谢陪伴自己走在这条路的朋友、老师和同道。


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/85235354

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