职业选择 学会这3点就够了

程序员如何选择以及延长职业发展的生命周期 如果你以为后端只会CRUD,那么,遇到疑难问题了,你搞不定的,你要懂各种后端架构,mq中间件,各种关系型和非关系型数据库,熟练掌握高并发,当项目上线后,会有各种问题,自己造的bug就算了,自己修修补补,关键你有可能还会被黑客盯上,小白肯定招架不住,如果是服务器宕机,公司资源又匮乏,作为一名技术,你手里要有至少两种救火方案,不然辛辛苦苦一年,年终奖泡汤,甚至写错一条sql让公司造成损失,都有可能被开掉。 阅读详情

蓝字关注,回复“职级”获取大公司职级定义

朋友圈发现很多朋友今天都复工了,2020我会坚持真诚写作,更专业的提供一些对关注我的朋友有价值的思考,同时也非常感谢一直关注我的朋友们。

今天这篇文章,我们一起探讨职业选择一些我的思考。



— 1 —

选择大的平台或者公司

1、有很高的赚钱效率

一般来说,大的公司服务的客户要么是C端客户要么是B端客户要么兼而有之,他们总是有清晰市场,并且已经在竞争形成了一定的优势,通常来说企业业务模式稳定,人才济济,赚钱的效率会比较高。

同时大公司因为在行业深耕多年,对规避风险的能力比一般的中小公司要强很多。我们在一个公司1-2年和3-5年带来的个人能力提升,有的时候不一定是线性的,可能是指数型的。

2、有相对透明的晋升通道

我呆过好几家知名的公司(比如1号店,饿了么),他们本质上都有自己的职级定义和透明的晋升通道。BAT或者如今的TMD公司就不更必说了,这方面都会做的非常好。

透明的晋升通道对于我们就像打游戏一样,有明显的奖励机制和刺激,因为职级的提升会带来一些薪资待遇的大幅度提升还包括长期的激励措施,是一个非常行之有效的办法。

3、可以结识更多有质量的人脉

商业的本质是信任。大家可以想想谁最信任我们,很多人的回答是我的父母。

因为他们从小看着我们长大,了解我们。

而在平时工作或学习中有很多交集,一起协同或者合作去完成一项工作,信任就会接踵而至。

当我们离开一家公司之后,这些信任不会因为离开而消失,而在我们比如在找工作,创业等时候可以派上用场。

你一定见过很多公司的几个联合创始人都是来自一家公司(比如我前1号店公司的董事长和CEO),或者前饿了么公司几个创始人来自一个宿舍。很多项目组好几位同事来自同一个公司也屡见不鲜。



— 2 —

找到个人需求和公司最佳匹配

我看到很多朋友在公司干的非常不舒服,也不离职,还是每天周而复始的上班,下班,看着我都很心疼。

我们在职业选择时,如果你的长期职业发展和公司的需求可以匹配的上,那么就相当于我们每天都在为自己而干活,可想而知,那个工作效率和积极性的是非常之高的。

人性都是自私的,我们骨子里都会根据自己的喜好去完成工作,喜欢就多干一点,卖力一点。

在这里我强烈建议思考一下自己的工作到底是为了谁?真正搞清楚这个问题,就一定可以找到一个公司或者平台达到这种匹配和契合。

哪怕现在的能力不足,我们可以定一个小目标,没有目标的人生就等于行尸走肉,注定是缺憾的人生。

不在一、二线城市的朋友会问,我们这没什么好的公司或者平台。不对,任何地方都有佼佼者,有的时候需要我们有发现的眼光和能力。



— 3 —

养成好的职业习惯

根据我的经验和观察,有非常多特别好的职业习惯,今天我重点说2个就是「主动积极和以终为始」。

1、主动积极

在日程工作中,很多的工作本身没有边界或者有些工作特别是临时性没有责任人,这个时候就需要我们主动站出来去解决这些衔接点和没有责任人的地方。

我相信大家一定看过有王兴大佬说他们开会后有一项事需要去做,当场有一位同事就毫不犹豫的说我可以学,这就是一种主动积极的态度。

我们日程工作中也有这种例子,比如我们在开周会中有朋友主动请缨写会议纪要,虽然这是不是他的份内的之事,但是一定会给其他在坐同事和领导留下一个好的印象,最终也会因为写会议纪要对业务和团队的大事更加熟悉,工作上就更加游刃有余。

2、以终为始

这里最重要的是想清楚自己的长期目标是什么?(可能是5年也可能是10年甚至更长);

看清楚这个世界,未来会是怎样的?以终为始做决定,向前推、向后验证,对自己有耐心并坚持自己的初心,同时还要培养自己的反脆弱的能力,接受“黑天鹅事件”。

这里推荐两本书《高效能人士的七个习惯》和《原则》。



最后的话

以上,我从三个方面聊了职场选择一些我的观点。

好的选择等于我们搭上今年春天快速列车,在那些春暖花开的日子享受以终为始给我们带来收获的喜悦。

如果觉得我的文章对你的朋友有用,也请随手分享给他们,谢谢。

-------

以往热文推荐:

5点聊透技术领导力本质

那些40岁左右的程序员都去哪了?

玩转这四点  架构师之路轻松进阶

做好这5点,你就是CTO

非常欢迎加我微信(jeff_arc)和我做朋友。


长按二维码关注,一起学习、思考、改变

▲ 长按关注军哥手记,和军哥做朋友

浅谈应届生的职业规划 前言 小编作为一名即将毕业的应届生,面临着何去何从,站在人生的十字路口,是我们迈出的第一步;最近这段时间,帮助过步入大学和应届生的小伙伴解答过很多疑惑;对于步入大学的同学,有的是为了一个本科证,有的是为了更高层次的发展,也有部分对技术的痴迷;对于应届毕业生来说,大部分是就业找一份满意的工作,悉数为他们提供一些见解与建议。我喜欢跟他们交流,在他们身上,有着还未脱离学校的纯真与稚气,又有着想要快点参... 阅读详情

相关推荐

分析方法—temporal receptive field(TRF)

总结来说,时间感受野其实就是一个 filter!课程中的描述—.(使用时间感受野与刺激进行卷积来描述)时间感受野一般是听觉计算中使用的,在视觉中,有另一种分析叫做空间感受野(spatial receptive fields)。回归权重(Regression weights)是指在回归分析中用于估计自变量与因变量之间关系的权重或系数。回归分析是一种统计方法,用于建立自变量与因变量之间的关联模型,并通过拟合数据来估计模型中的参数。在简单线性回归中,只有一个自变量与一个因变量之间的关系被建模。

m0_51474171的博客 1605

用10分钟学会这3点,职业规划让你不迷茫

用10分钟学会这3点,职业规划让你不迷茫 大家都希望找到一份自己喜欢且有能力匹配的工作,但事实上很多人不仅没有找到称心如意的工作,甚至连一份工作都没有。如果你现在感觉很迷茫,请认真花费10分钟看完以下内容,或许可以让你有一个目标。 现在大学生毕业就失业的现象很普遍,有些大学生甚至连自己想找什么样的工作能够胜任什么样的工作都不清楚。给大家讲个真实案例: 小汪同学是即将毕业的大学生,因为在大学里更多...

hlkt521的博客 388

即梦 AI 全功能零基础详细教程(纯技术版)

即梦 AI 是一款多模态 AI 生成工具,主打文本生成视频、图片生成视频、角色一致性生成、音画同步等核心功能,依托自研 AI 视觉模型,实现从文本 / 图片 / 音频素材输入,到高清视频、图像内容输出的全流程 AI 创作,支持短视频、短剧、创意素材等多场景创作,具备操作门槛低、生成效率高、画面可控性强的技术特点。@为工具内置引用指令,作用是锁定指定素材 / 角色,强制 AI 按照该素材的核心特征生成内容,无额外付费、解锁要求,免费使用。剧本拆分:将短剧拆分为单镜头(15 秒内 / 个)

2501_92061023的博客 5869

学会洞察行业,让选择大于努力

我一直想找一个分析行业的框架,以便能够快速了解不熟悉的行业,为职业规划和投资服务。找来找去都没找着一个系统的,想不到有一次挑书凑单时,居然撞见了这本《学会洞察行业》:这是...

程序视界 2702

Hive数据迁移

【迁移背景】 本次需要将老集群的hive数据(共30多张表)迁移至新集群中。 老集群版本为CDH5.13,未启用kerberos; 新集群版本为CDH5.14,启用了kerberos。 由于cloudera官方文档说明,在5.x的版本不支持从未启用kerberos的集群与启用了kerberos的集群之间的数据复制。因此无法通过bdr方式进行数据同步。于是采用手工方式进行测试验证。 第一步...

wangkuangood3200的专栏 470

(王道408考研操作系统)第一章计算机系统概述-第三节2:中断和异常

注意!!! 本节内容和《计算机组成原理》中的中断有重合,如果需要详细了解的话可以点击链接跳转:(计算机组成原理)第七章输入和输出系统-第四节2:I/O方式之程序中断方式 为了内容完整,部分内容会借用上述文章 文章目录一:中断和异常的基本概念(1)中断和异常的定义 一:中断和异常的基本概念 在操作系统引入核心态和用户态这两种工作状态后,就需要考虑两种状态之间是如何切换的。 操作系统内核工作在核心态,用户程序工作在用户态,系统不允许用户程序使用核心态的功能,但是用户程序为了完成某些操作又必须使用这些功能

快乐江湖的博客 3535

编程会是你自由职业的一种选择吗

欢迎来到我的小院,前几天有个曾经我带过小弟问我,大侠我最近想从事自由职业,你能帮我参谋参谋嘛,我很高兴他来咨询我。思考后,我写了这段建议,希望可以帮助到他,同时也能给想从事自由职业的年轻人一些参考。 ...

小院里的霍大侠 551

Linux Kernel入门到精通系列讲解(RV-Kernel 篇) 5.6 在kernel 中实现系统复位和系统关机驱动

上一章节`Qemu`篇我们已经实现了我们`SOC`的`power reset`和 `power down` 寄存器,本章节我们就在`Linux driver`中去实现它

DSMGUOGUO的博客 545

程序员的职业生涯道路:成长、选择与转型

程序员的职业生涯并非一成不变,伴随着技术的更新迭代,职业路径上也充满了多样的可能性。从初级到资深,从技术专家到管理者,从开发者到创业者,每个阶段都有不同的挑战和机会。在职业生涯中,程序员应保持对技术的热情,不断拓展技能的深度与广度,同时也要注重软技能的培养,提升跨职能协作和管理能力。通过积极参与开源社区、技术分享,建立行业内的影响力;面对职业瓶颈,学会及时调整方向,寻找新的动力源。无论职业生涯如何变化,程序员的核心价值始终在于解决问题的能力,以及通过技术创造实际价值的驱动力。

lssffy的博客 2370

华为OD机试 - 第k个排列 - 全排列递归(Python/JS/C/C++ 2025 C卷 100分)

给定参数n,从1到n会有n个整数:1,2,3,…,n,这n个数字共有n!按大小顺序升序列出所有排列的情况,并一一标记当n=3时,所有排列如下“123”,“132,“213”,“231”,“312”,“321”输入两行,第一行为n,第二行为k,给定n的范围是[1,9],给定k的范围是[1,n!排列为“12”和“21”,第2个是“21”。给定n和k,返回第k个排列。输出排在第k位置的数字。只有一个排列,直接返回。

学Java,找哪吒 990

YOLOv8改进策略【YOLO和Mamba】| 2024 VM-UNet,高效的特征提取模块VSS block 二次创新提高精度

VM-UNet模型设计的出发点是解决现有CNN-based和模型在医学图像分割中的局限性,利用(SSMs)的优势,提出一种更有效的医学图像分割模型。具体来说,CNN-based模型在捕捉长距离信息方面存在不足,而模型由于自注意力机制的二次复杂度导致计算负担较重。SSMs模型如Mamba不仅在建模长距离依赖方面表现出色,还具有线性计算复杂度,这为VM-UNet的设计提供了理论基础。

Limiiiing的博客 629

学会Python之后的谋生与职业选择

对于现在的各行各业,数据的分析都是必不可少的,数据的分析可以在当时的阶段进行方向的调整,为以后的发展进行前瞻性建设,现在有很多中小企业都有这个方面的需求,以这个方面来兼职也是可以的。现在有很多程序缺口,小到大学生的毕业设计,大到中小型公司,程序的外包是一直存在的,将来也还是会一直存在,程序的开发视时间和难度的增大,所获取的收益也是与之增长的。也正因此,爬虫的生存点还是存在的,利用爬虫进行数据采集,可以外接一些公司的业务,可以在公司内进行,也可自己接外包业务。为了光荣的明天,青年,继续学习Python吧!

m0_59236602的博客 280

深度测评:Accio Work——目前普通用户最友好的多 Agent 协同工具

摘要:Accio Work是阿里国际站推出的多Agent协同工具,通过借鉴古代"三省六部制"构建高效协作框架。该工具支持主流大模型,可配置专业Agent角色,实现40分钟内完成复杂产品PRD等高效协作。其亮点在于直观的UI设计和流程驱动机制,能强制各Agent从专业视角深度思考。虽然超长对话稳定性有待优化,但作为目前最用户友好的多Agent工具,显著降低了构建复杂AI团队的门槛,成为提升个人和小微企业生产力的利器。

Maynor的博客 1748

程序员如何选择职业赛道-初级程序员

初级程序员是软件开发领域中的新手,他们需要掌握一系列技能来提高自己在工作中的表现,并为未来的职业发展打下坚实的基础。下面将描述初级程序员需要掌握哪些技能以及如何规划自己的职业生涯。

与时俱进,一专多能。 1174

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

回顾2023 | 职业分析与计算机方向的选择、发展

如何应对35岁行业危机?怎样才算学到精通?计算机的职业分层是怎样的?编程初学者怎样快速入门?本篇文章会带给你答案,并带你由浅入深解读计算机领域

qiao_yue的博客 3735

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

计算机职业与个人素质的关系,个人素质与职业选择.doc

个人素质与职业选择个人素质与职业选择孙 福 新大连开发区教育科研培训中心(教师用)个人素质与职业选择大连开发区教育科研培训中心 孙福新随着社会的发展,我国的劳动力供求失衡供于求的局面严峻。当劳动力市场上的供给出现了建国以来从未有过的“三峰叠加”的态势,即大学毕业生、农村剩余劳动力转移以及下岗职工再就业共同构成了劳动力市场上的庞大供给流,这些集中到来的供给给我国的就业市场带来了较大...

weixin_39637363的博客 302

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

w3school的职业建议

可能很多人都有阅读过,呵呵,那就致自己啦~~九项重要的职业规划提示。 * 学习的步伐不停止 古人说,活到老,学到老。终身学习应该是您的座右铭。 世界在不断变化,每个人都在寻找各自的事业途径。 您只有保证了足够的技能储备,才能确保能够得到一份足够满意的工作。 为了保证您的职业发展,您应当定期地更新您的技能和知识。 **. 学会问、学会听,学会学习 一个好的倾听者可以习得更多。 多听取来

gkkk_1的博客 685

共勉九项重要的职业规划

文章目录九项重要的职业规划提示1. 学习的步伐不停止2. 学会问、学会听,学会学习3. 为目前的工作全力以赴4. 构建人际网络5. 识别你的工作6. 慎重决定下一个工作7. 为未来做准备8. 量力而行9. 实现您的梦想 九项重要的职业规划提示 在W3School 看到一篇职业规划提示希望可以与社区的朋友分享共勉 http://www.w3school.com.cn/index.html 1. 学习...

流浪地球的博客 223

职业方向的选择

     在阿里技术人员的发展一般可以有三个方向,项目经理、架构师和专家。每个方向之间不存在好与坏的可比性,每个方向走下去都是一片广阔的天地,关键看自己是否适合,只有适合自己才能走得顺畅。进入阿里后我就一直在思考这个问题,只到最近我才下定决心,准备走架构师这条路。     这三个方向对人的要求是不一样的:1)项目经理需要有很好的项目把控能力,要善于制定目标、协调资源和领导团队,另外需要特别

走向架构师之路 6488

入行3D建模有什么职业可以选择?自学能学会3dsmax吗?

首先我们要清楚的是行业划分。 3DMAX的用途非常广泛,所涉及的行业大致有,园林景观、城市规划、建筑设计、室内设计、动漫设计、商业动画制作等。所以我们在入手学3DMAX软件时,大家应该分清楚,你目前需要进入的是哪个行业,从事那方面的工作等。也就是我们所说的,第一定位要明确,你才能更好的取己之长补己之短。 打个比方,如果大家想要从事室内设计方向,想要从事效果图表现师。一般大型公司岗位分的很细致。一个项目,建模部分是由建模师完成,渲染部分是由渲染师完成。 有很多朋友推荐说学3DMAX直接去购买书籍学就可以。

3D游戏建模零基础入门教程-次世代角色场景教学 535

通过四大专业性格测试,精准定位你的职业锚点

认识自我是一生的旅程,专业的性格测试是这个旅程中强大的助力工具。它像一面镜子,帮你照见自己独特的轮廓。希望你能利用这些工具,拨开迷雾,找到那条能让你发挥天赋、充满热情的职业道路。

allanbull的博客 1312

如何规划你的职业生涯

这篇文章最近在一个关注的公众里看到。文章的作者是孙振耀,惠普的一位前员工,博主不知道原文何时发表,但从转载来看文章发表已经过去了十几年。一份工作不仅仅是一份工作,职业生涯与工作与人生的各方面都有很大的关系。规划自己的职业生涯换一句话说就是规划自己的未来。这是非常难的问题,也很难给出答案。作者有非常深度的思考,非常值得一读,更值得反复思考,强烈推荐。以下开始为公众号原文内容: 如果这篇文章...

topdeveloperr的博客 1293

网络安全工程师的职业规划?(非常详细),零基础入门到精通,看这一篇就够了

网络安全专业网络安全专业就业前景怎么样?有哪些就业方向?

HUANGXIN9898的博客 1929

转型 第二职业 跳槽 你的选择在哪里?你的出路便在那里,多努力,总会有自己的一片天地

本文所指的开发工程师,仅指程序开发人员和以数字电路开发为主的电子工程师。当你选择计算机或者电子、自控等专业进入大学时,你本来还是有机会从事其它行业的,可你毕业时执迷不悟,仍然选择了开发做为你的职业,真是自做孽不可活。不过,欢迎你和我一样加入这个被其它人认为是风光无限的“白领”吧。如果你不是特别的与人世隔绝,我想你一定看过金老先生的名著《笑傲江湖》吧,里面有一门十分奇特的武功叫做"辟邪剑法",你看这

whillcoxdennis的专栏 5356

职业规划提示

职业规划提示 九项重要的职业规划提示: 1. 学习的步伐不停止 古人说,活到老,学到老。终身学习应该是您的座右铭。 世界在不断变化,每个人都在寻找各自的事业途径。 您只有保证了足够的技能储备,才能确保能够得到一份足够满意的工作。 为了保证您的职业发展,您应当定期地更新您的技能和知识。 2. 学会问、学会听,学会学习 一个好的倾听者可以习得更多。 多听取来自同事、老板以及上级的声音。您可以从他们...

JJ_Zhangjian的博客 271

如何选择一个适合自己并且有前景的职业?

如何选择一个适合自己并且有前景的职业?

xiangxue888的博客 212
上一篇: 5点聊透领导力「升级版」
下一篇: 如何快速提升自己的能力?
军哥手记
军哥手记 业界专家认证 业界专家认证
博客等级 码龄21年 661粉丝 608原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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