找工作感想

【漫谈】计算机专业找工作的一点感想 作为计算机专业软件工程的学生,在2011年,似乎天造地设的IT年份里,被认为找工作不在话下,怎么地也得5K以上的时刻,而我却感觉找工作似乎不是那么的顺利,我也在四处找原因,究竟是什么限制了我,究竟自己的瓶颈在哪里,在学校里我的学习成绩不算差,而且还可以说是很好(勉强吧),毕竟得了两次奖学金,经过仔细原因总结如下:        自己在学校里面做过JSP博客系统,他是基于MVC开发模式的。我保证这 阅读详情

最大感想

菜是原罪。如果一直菜,则确实只能过菜的人生了。

规划

  1. 刷剑指offer
  2. 总结课程,边刷leetcode
  3. 总结算法过程(传统,有无监督)
  4. 深度学习算法

笔试都过不去,说什么找好工作啊。
加油!

【TestNG自动化测试框架详解】 TestNG是一款设计测试用例执行流程的测试框架。 阅读详情

相关推荐

[TI板]MSPM0G3507——keil环境配置+烧录配置+vscode配置+空工程迁移+点灯+芯片解锁教程

本文介绍了MSPM0G3507开发环境的配置与烧录方法。主要内容包括:1)下载安装芯片支持包和SDK开发工具;2)通过串口或DAPLink两种方式实现程序烧录,详细说明了UniFlash软件的使用步骤和常见问题解决方法;3)简要提及工程迁移和LED点灯等基础操作。文章提供了完整的开发环境搭建指南,涵盖从软件安装到实际烧录的全过程,并附有相关工具下载链接和操作截图,帮助开发者快速上手MSPM0G3507开发。

qq_23220445的博客 1万+

谈谈在大环境低迷下,找工作和入职三个月后的感受

今天是新公司入职后的三个多月了个人也是如愿的转正了,对于我个人而言此时的心情好像没有三个月前刚拿到offer那样的喜悦和兴奋了,更像一件很普通的事情在你身边发生了吧。从2023年底离职在到2024年初开始找工作中间休息了三个月,找工作到入职花了一个多月,在这个过程中也是第一次真真切切感受到了所谓大环境低迷下的“前端已死的言论”,也给大家分享一下自己入职三个月的个人感受吧。

2405_88603407的博客 1278

多机器人协同:水下机器人集群的分布式控制与ROS仿真实践

本文探讨了多自主水下机器人(AUV)集群的分布式控制方法,重点分析了欠驱动6自由度AUV模型的反馈线性化技术。通过ROS/Gazebo仿真平台,详细介绍了系统架构设计、通信延迟补偿策略及环境扰动应对方案,为水下协同作业提供实用参考。

jupi8的博客 688

找工作的感悟

工作只是一个手段,一般是用来获取金钱的手段。近年来,经验主义的萌发使得越来越多的人歌颂所谓的平台“大公司”,工作经验。诚然,一个大公司往往意味着高工资,高福利。然而,在互联网行业或者是开发相关职位上,大公司也不一定能提供足够的工作环境和对应的工资水平。那么,第二个值得关注的就是经验了。支持者往往说道,大公司的工作经历让你跳槽更有底气,小公司的工作经历然你创业更有信心。各种言论层出不穷,作为只有过某...

weixin_39673686的博客 2275

BPMN2.0规范及流程引擎选型方案

本文主要简明扼要的介绍了BPMN2.0规范的内容,可让读者快速度的了解BPMN2.0所涵盖的主要内容和图形样式。也较为详细的阐述了如何绘制标准的流程图,以及在软件层面中如何实现业务流程功能,和技术选型。

比特桃 1万+

保姆级教程:用SAP PS管理电梯/大型设备项目(ETO/ATO模式)从成本收集到开票结算

本文详细解析了SAP PS模块在ETO/ATO项目中的全流程成本管理实践,特别针对电梯/大型设备制造行业。从成本收集到开票结算,通过WBS元素、网络活动等核心架构设计,结合F-02、CJ20N等事务代码,实现设计、生产、物流及现场服务各阶段的精准成本控制,助力企业提升项目利润率与财务效率。

weixin_30444105的博客 458

找工作感悟

正式找工作的时间已经快十来天了,虽然这些天一直很忙,单今晚却突然闲下来了,就跟那天一样。闲得有点心慌,不知道该做些什么,投简历、准备明天的东西、总结今天的东西。总感觉自己有点浮躁了,好多公司还没开始呢?自己还要加油,机会还有很多,也有很多很好的机会就在前方,这口气不能松,工作只有更好的,而这关系到自己今后几年的大事,加油,刘亚新。找个好工作,证明自己。 找工作的感悟:经历这段时间的找工作,自己有

Simple_Man_Just的博客 1502

别再混淆了!5分钟搞懂机器人导纳控制与阻抗控制的本质区别(附Simulink对比仿真)

本文深入解析机器人柔顺控制中的导纳控制与阻抗控制的本质区别,通过信号流方向、架构对比和应用场景三个关键视角进行详细阐述。文章还提供Simulink对比仿真案例,帮助读者快速理解两种控制策略的差异及其适用场景,特别适合机器人控制领域的研究者和工程师参考。

weixin_42543046的博客 609

找工作的一些感悟——前端小菜的成长

前些日子辞掉了工作,比较轻松,有大把的时间写博客神马的,陆续面了几个不错的互联网公司,有成功的也有失败的,阿里的面试及offer都来的很意外,还没来得及投百度,由于阿里给的条件及工作内容都让我很满意了,唯一的遗憾是得离开北京去杭州,不知道现在还要不要投投其他的也试试。  至于为什么选在年前离职,其实这并不在我的计划内,从毕业起就在这个很小的公司工作,只有六、七个开发人员,但是感觉自己学到了很多东...

weixin_33895604的博客 272

Ubuntu20.04实时内核补丁PREEMPT_RT编译与安装全流程解析

本文详细解析了在Ubuntu20.04系统上编译与安装实时内核补丁PREEMPT_RT的全流程。从内核与补丁版本匹配、编译环境准备,到内核配置、编译排错,再到最终安装、验证与进阶优化,提供了手把手的实战指南,旨在帮助机器人、工业控制等对实时性有苛刻要求的开发者构建低延迟、高确定性的Linux系统。

weixin_29213827的博客 188

基于DeepFashion2数据集的服装检测系统:YOLOv11实现与UI界面开发

80万张高质量服装图片13个服装类别:短袖上衣、长袖上衣、短袖外套、长袖外套、背心、短裤、长裤、短裙、长裙、袜子、帽子、鞋、包包每张图片包含边界框、分割掩码、landmarks等标注多样化的场景:商业图片、街拍图片、消费者图片更高效的Backbone网络改进的特征金字塔网络(FPN)自适应训练样本分配策略更精确的损失函数以下是YOLOv11的模型定义:python复制下载# 模型参数self.nc = nc # 类别数。

YOLO 456

找工作心得

找工作心得   最近在找实习, 有些迷茫,在几个招聘平台上投放简历,但是最后却石沉大海,有些失落;不过我发现有一些的岗位要求还真是高,要懂得很多知识,想来先看招聘信息再去学也还不迟吧。实习是随便找个公司先实习好呢,还是先最求大公司的实习好呢?迷茫迷茫…… ...

hsy的博客 456

人形机器人大语言模型 pi*0.6(π*0.6):最新从经验中学习的VLA

摘要:本文介绍了一种名为Recap的机器人学习方法,通过示范训练、纠错指导和强化学习三个步骤提升机器人执行复杂任务的能力。研究显示,仅依靠模仿学习的机器人难以解决错误累积问题,而Recap方法通过价值函数可视化和优势条件策略训练,使π*0.6模型在咖啡制作、纸箱组装和衣物折叠等任务中的成功率提升超过90%,吞吐量翻倍。该方法突破了传统依赖人工演示的局限,通过自主经验学习实现机器人性能的持续优化,为未来机器人基础模型的发展提供了新方向。

2506_90492529的博客 1321

找工作的一些感想

写在找工作期间的一些感想

大牛之路 2050

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

我找工作时候的一些感想

       以下是我个人的一些浅薄见解,也许并不完全正确,但却是我这些时间以来自己的亲身经历,所以欢迎大家提意见:      如果应聘IT职位,别对系统分析与设计职位抱太大希望,学习编程就可以找到一个不错的工作。企业不会让一个刚毕业的学生负责分析,设计方面的工作的,他们需要的是能够写代码的人。对数据结构和算法,以及一门编程语言的熟练掌握,可以帮你轻易获得一份Offer。当然,如果有足够的项目

wiseman的专栏 411

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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2020年秋招:找工作的一些感想

2020年秋招:找工作的一些感想        这段时间一直在和同学一起奔波,我都不知道听了多少场宣讲会,做了多少张试卷,面试了多少次了。说实话,刚开始找工作时斗志高昂,越到后面越不想找工作了,好在最后找到了自己心仪的工作。这一个月的时间,经历了很多,我就长话短写,下面是我找工作时觉得需要注意的地方: 一、简历不要搞得太花哨,有...

Bryan_QAQ的博客 1265

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

面试找工作的一些感想

3 月,跳不动了?>>> 写在前面 前段时间因为...

黑帽子技术的博客 111

【人生】找工作的一点感想

普通大学生暑期找工作的经历。。。

A's World 260

找工作的一点感想

   最近,去了几公司应聘,都被拒了,后来才知道没有工作经验的原因。自己在家看书,看了就很快都忘了,很想有个项目去做做,实践一下,这样对书上的东西感触会更深。可是到处碰壁,在家也有些无聊。可能是自己能力还不够吧。也许今年是没有希望了,只有等来年了。在家天天上网,有时候也不知道自己在做什么。好像又开始不知不觉的堕落了,呵呵。也许人有个周期吧。好了就些这里吧。

ga34ga34的专栏 677

【找工作】我找工作的一些经历和感想

我学习网络推广也有两个月了,我是在一个网站建设互联网公司,这一两个以来也有些学习心得,在此分享一下找工作经历和工作中学习心得和想打。 我先说说我找工作的经历吧。我起初是找做SEO优化的工作,之前对一些理论知识有一些了解,也有一些不规则的优化经验。起初找工作的时候还是比较困难的,因为招做seo优化的公司要求都是有一两年经验,同时要懂代码网站建设及其网页代码。虽然我这些有会一些,但是在经验上是一个硬

u012663472的专栏 823

该认真找工作了——北邮双选会感想

在不知不觉中已经进入了3月份,迎来了找工作的最后一波高峰期,我也得在这个月份订下来,必须订下来。     今天去了北邮的双选会,人可真多,感觉绝不必去年的人少。10点半到,11点进场。也不知道怎么的,自己感觉压力大了,去年挑来挑去,最后竹篮子打水一场空,不过也有收获,那就是面试经验。     想到找工作,我就想说户口,去年宿舍一大群人,都说要户口,我也被弄的,户口户口的,对于户口,我知道要是在

feitianxuxue的专栏 6170

找工作的感想

来上海已经有两周了,工作还没定下来. 转载于:https://www.cnblogs.com/guodapeng/archive/2007/04/08/704514.html

weixin_34370347的博客 71

实习期将近一月的找工作感想

      我是一名普通高三的大专生,所学的专业是计算机网络安全(系统方向)大学三年制,第三学年下班学期开始选意向城市找实习工作。      本想去一个三线城市混资历,在我的父母和老师同学们的交流中,最终选择了一线大城市上海。一月十二号放假,二月二十五到二十六号到上海办事处宿舍。找工作,在六月份时回校完成毕业答辩拿毕业证。      一放假我和一个同学就提前到了上海找了份工厂流水线工作,本打算在上...

qq_41842312的博客 2505

找工作之感想

  时隔两年又回到园子里来了。两年前由于公司项目原因,实在太忙,离开了园子,后来在同学介绍下进了一家游戏开发公司,主要负责服务端逻辑编写,平时玩的挺hing,也没来园子逛了。一年多,感觉没什么成长,反而之前的技术又有些生疏。最近又再换工作,过程曲折离奇,想写下来留作以后回忆   离开上家公司后正好是国庆节,所以也没急着找工作,回老家办点事,放松了两星期。之后开始网上投简历,发现自己突然没有了目标...

weixin_30734435的博客 104
上一篇: 关于python程序的性能分析
下一篇: python 装饰器
donglcode
博客等级 码龄10年 26粉丝 10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