产品开发 + 校招 ---知乎live

本次分享涵盖了敏捷开发的优点及挑战,并介绍了软件开发流程中各环节的重要性。此外,还详细阐述了招聘过程中评估候选人能力的方法。

产品开发 + 校招


张明云老师的知乎live的学习笔记。

敏捷开发:
  • 这里写图片描述
  • 敏捷开发优点是:快速迭代,防止跟不上市场趋势。
  • 敏捷开发缺点是:会议多。开发时间短。。
  • 强调最小化验证,那就必须快速迭代版本。
软件开发流程:编码只是非常小的一部分,每个部分同等重要。
  • 设计文档:
  • 这里写图片描述
  • 正式编码时,按照产品经理规划完成版本功能。这个时候就必须要求程序设计的低耦合性,因此在前期的程序设计非常非常重要,决定了稳不稳定,迭代的难易度。
  • 持续的版本集成:日常,有改动就编译,有问题就解决。有第三方工具后,一般需要服务器,个人不可靠。
  • 开发人员自测
良好的代码规范
  • 代码给人看,顺便去机器理解。所以我们不用汇编而是高级语言。
  • 注释:应该说出代码无法说出的信息。比如,概述,用意,逻辑。
  • 一个代码块应该只解决一个问题。给出一个例子,大意是“获取文件大小却进行了很多的判断”
招聘中看好哪几点?解决问题的能力。
  • 社招:有问题网上搜?。。不满意!还有思考的过程吗?
  • 解决问题的套路:
    • 了解问题。
    • 定位问题。如果无法定位,那就采用排除法。
    • 分析问题。具体问题具体方案。
    • 解决问题。无法解决再搜索!保证产品稳定最重要!
  • 校招:
    • 人是否合适:
      • 沟通ok不OK?
      • 第一印象。吊不郎当?
    • 人是否合格:
      • 重点基础性问题。
      • 不知道就问解决问题的思路。有没有清晰的思路?
      • 对技术岗位的兴趣。对一个技术的分析,正确答案的推理过程
  • 解决问题方法:
    • 打印。推荐
    • 调试。多线程或多进程不准。效率低
    • 排除。二分排除法,删除一半代码。。
    • 小黄鸭。自我解析,自言自语
    • 网络
    • 线上线下
无法回答不会的问题
  • 不懂就不懂。切忌猜这个猜那个。
  • 可以说出思考的过程。着重解决问题的能力,
如何实现一个功能?先自己实现,再看别人的。

其他答疑:

用AS卡? module
应该学习和发展深入哪些技术?
  • 答:张老师的观点是:视野更重要。学习的能力更重要
有没有什么教程能指导项目更加有层次,有一个好的架子
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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