职业规划里的技术、专业技术、行业技术的区分和选择

JAVA面试(关于技术深耕方向和职业规划) 人的精力有限,制定清晰明确的技术发展方向,会使自己少走很多弯路。 阅读详情

以下纯属个人理解:

 

 技术:我理解成通用的技术,比如论坛,博客,门户网站等,他们可以在任何需要的地方使用,也许只需要很少的一点点修改。
专业技术:比如财务,人力,生产安排,ERP,销售管理等。这类要求你对某个专业非常熟悉,比如金蝶和用友就是财务专业的软件提供商。
行业技术:比如医药行业的销售专用GSP软件,搜索引擎分词技术,汽车自动化装配等。 这类软件只能在同样的某个行业领域使用。


我们一般学习的都是第一个通用技术,当上升到一定程度,我们就可以考虑分化了。

1 继续通用技术,一般你都在做各种各样的项目,熟悉各个行业,但不会很通,大部分是有人调研好了,你最多参与设计和部分调研,然后做开发
2 转专业技术,如果你的公司经常做某个类型的项目,你很可能成为这个专业的专家,比如你非常熟悉财务制度和财务的内部流程了。
3 转行业技术,这个可能最常见,大部分成型的公司,都只专注几个行业,比如制造,汽车,电信,他们可以提供这个行业需要的全套系统,从人力,到门户,到生产和销售。


至于你要选择哪一个,看你的公司现状,你的个人爱好了, 从1-3,你需要和人打交道的时间会增加,更多的是沟通和确认需求,提供解决方法,而不是设计和编码了。

 

 

补充说明一下第二个和第三个的区别:

2 是专业,比如任何公司都有财务的,这个在绝大部分公司都是类似的(国内),在比如人力资源系统。

但一个公司里不是只有财务。 比如一个化工厂和一个制药厂,他们需要的系统不可能一样,这时,如果一个公司能提供全套的方案,则属于第三种了。 比如有的公司,对纺织业很熟悉,可以为纺织公司提供从人力到生产,到销售到供应链,到公司门户等全部的方案(或者大部分核心业务系统),此时就不是什么专业了,而是一个行业了。

Apache Doris IP变更问题详解 阅读详情

相关推荐

EGE基础入门篇(一):绘图基础知识

EGE绘图所需要了解的相关基础知识

依稀_yixy的博客 2万+

揭秘程序员在「外包」、「技术导向型」和「业务驱动型」公司的日常生活

一、写作背景二、各类型公司的环境氛围三、各类型公司的开发流程规范四、如何提高在公司的核心竞争力五、一些中肯建议一、写作背景本人在大学期间有过三段实习,大二在一家外包公司,...

a934079371的博客 1874

Modkit

Nmod- 通过过滤器分类为具有指定碱基修饰的残基的调用数量。Ncanonical- 通过过滤器分类为未修饰的碱基的调用数量。确切的碱基必须通过修饰代码推断。例如,如果修饰代码是m(5mC),则未修饰的碱基是胞嘧啶。如果修饰代码是a,则未修饰的碱基是腺苷。Nother mod- 通过过滤器分类为修饰的调用数量,但修饰不同于列出的碱基(且相应的未修饰碱基相同)。例如,对于给定的胞嘧啶,可能有 3 个读取带有h调用,1 个带有未修饰调用,2 个带有m调用。在h的 bedMethyl 行中,N。

生物信息学 1265

技术与业务

阅读此博客预计消耗你5~10分钟的时间,欢迎一起评论交流 1. 技术 我们理解的技术,就是系统用户在页面上看到的内容以及操作系统的一系列功能背后的实现方法,我们习惯的称之为技术,技术这个名词不只是存在于软件开发行业当中,更适用于其他行业当中。 总之,技术,就是带有专业性质的行为/思考成果。 2. 业务 业务,是一个比较相对的概念,在平常的工作当中,我们常常会接到许多来自产品团队的业务需求,业务,说的简单点就是系统可以做什么。 管理员/其他用户可以给今天未在系统处理代办的其他用户发送电子邮件,并通知处理系.

规则中找出不规则,挫折中找出突破点 5002

SAP Build Work Zone standard edition 订阅报错 OIDC trust missing 的成因与完整解决路径

摘要:用户订阅SAP Build Work Zone时遇到422错误,提示未配置OpenID Connect信任。该错误表明业务用户需通过SAP Cloud Identity Services的OIDC协议认证,而当前子账户仅配置了SAML信任或未配置信任。解决方法是进入子账户的Trust Configuration页面,使用Establish Trust功能建立与SAP Cloud Identity Services的OIDC信任关系。这是SAP新版服务的强制要求,SAML协议已不被支持。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 197

64.qt quick-qml使用高德地图插件实现V2版本(新增:位置搜索、路径规划、轨迹编辑等)

qt quick-qml高德地图插件(新增:位置搜索、路径规划、轨迹编辑等) Qt地图插件,使用简单方便,不用浏览器内核,运行高效迅速 跨平台支持,(Qt Windows(MinGW, MSVC)\Linux(桌面、嵌入式)\Android\IOS\等) 在线更新瓦片地图下载,并且支持缓存保存离线地图实现.........

抵抗时间扭曲,坚持做一件有意义的事 6131

你不是不努力,而是不懂选择 | 四种技术方案,应该怎么选

原作者 @方糖气球 编辑 @猫白本文讲述了程序员状态的四个象限,以及两条明确的技术路线。 有着清晰目标的选择才是成功的捷径,值得一读。 同样是一门语言,它的投入产出比是非常不同的。选择技术方向时一定要谨慎。 对于学习新技术、新知识,我一直有一个原则:用以致学。在学习一门新技术之前,先定一个目标——用它做一个日常生活和工作用得上的项目,然后根据项目的需求反向的去学习需要的知识。方便的

程序人生 2558

RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型

本文记录的是基于MobileNet V4的RT-DETR目标检测轻量化改进方法研究。通过整合UIBMobile MQA以及优化的NAS策略能够在在不降低性能指标的前提下,降低计算成本。本文配置了原论文中和五种模型,以满足不同的需求。

Limiiiing的博客 1923

产品经理和项目经理怎么区分?

先来看几张图就知道了,是包含项目经理的,可以说是产品经理的一小个分支。由发起的项目管理专业人士考试,是国际范围内的一项考试,PMP认证也是目前项目管理领域含金量较高的认证之一。由美国协会(PDMA)所发起,是国际公认的专业认证,,为公司组织层级进行规划、决策、执行提供良好的方法体系支撑。PMP和NPDP考试都是关于项目管理和产品开发领域的专业认证考试,都关注项目管理和产品开发领域的知识和技能、涉及到项目管理和产品开发领域和。

PMP项目管理的博客 921

手把手教你学 Simulink (1.3):探索Simulink模块库的奇妙世界

Simulink模块库按照功能分为多个类别,每个类别包含专门用于特定任务的模块。% 打开Simulink库浏览器% 或者以编程方式获取库列表disp('可用的库列表:');end常用模块(Simulink):最基础和最常用的模块信号处理模块(DSP System Toolbox):专业信号处理工具通信模块(Communications Toolbox):通信系统设计控制系统模块(Control System Toolbox):控制系统设计与分析% 创建自定义模块库。

QQ_778132974的博客 385

NVIDIA Isaac ROS - 入门教程(一)

欢迎访问 Isaac ROS,这是一套硬件加速、高性能、低延迟的 ROS 2 软件包,用于制造自主机器人,充分利用 Jetson 和其他英伟达平台的强大功能。英伟达 Jetson 平台运行在基于 Ubuntu Linux 的 JetPack 操作系统上。JetPack 5.x 是在 Ubuntu 20.04 Focal 的基础上构建的,这意味着由 ROS 2 Buildfarm 为 Ubuntu 22.04 Jammy 构建的 ROS 2 Humble 的 Debian 包不受支持。由于官方 ROS 2 B

机器人控制与仿真应用 5723

3-5年Android程序员的学习计划和职业规划

对于已经在职场中摸爬滚打了3-5年的程序员来说,已经具备了一定的工作经验,掌握了一些专业知识,对于工作中的各种问题和挑战已经有了一定的解决方案。但是,随着科技的不断进步,行业竞争的不断加剧,不能一味地依靠过去的经验和知识,更要时刻保持学习的心态,持续学习新技术,积累新经验,以便更好地应对职场的各种挑战。因为,在科技日新月异的现代社会中,新技术的出现和发展速度往往很快,很多新技术在过去几年中层出不穷,这就需要具备一定的学习能力和应变能力,不断跟进新技术的发展,才能更好地适应职场的需求。

大模型训练 1302

TIA protal与SCL从入门到精通(4)——软件单元使用

平台: TIA portal 15.1 1.添加软件单元 添加软件单元如下图: 关于软件单元使用基本限制,看如下文章即可 TIA protal与SCL从入门到精通(3)——软件单元基本介绍 每个软件单元是一个独立结构,所以每个软件单元的运行方式与实际PLC类似,所以首先添加主函数块: 注意:无论系统是否是具有并发性(这里不要混淆并行与并发的概念),在PLC所有主函数执行总是按主函数依次完成...

苦走一口田 7379

新手产品经理的职业规划

产品经理是互联网中一个非常重要的岗位,技术门槛不高,薪资待遇和发展潜力都不错,很多产品新人和非产品岗朋友对产品岗位都比较感兴趣。如果选择了产品经理岗位,那今后的职业规划怎么走?职业规划考验...

liudada8265的博客 421

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

从腾讯T13技术大佬被裁看:IT运维职业规划

官方网站www.itilzj.com资料文档:wenku.itilzj.com最近腾讯T13技术大佬被裁的消息刷屏IT圈,更让大家焦虑起“35岁危机”。先看看事情的经过。05年入职腾讯,腾讯首个Web前端专家,职级T13,到今年1月还是腾讯前端级别最高专家。拥有如此履历的前端大牛黄希彤,在47岁这一年,被曝遭腾讯裁员消息最早在小红书传开。黄希彤夫人在“鹅厂前端No.1”这一账号中透露:(黄...

ITIL之家公众号 531

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

AIGC行业现在适合进入吗

AIGC行业在当今数字化时代具有巨大潜力,涉及领域广泛,包括人工智能、大数据、物联网和云计算。随着技术的不断进步,AIGC行业的应用场景将不断扩大,为各行各业带来更多创新和便利。

m0_74195289的博客 957

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")

科技行业职业变动分析:从高管离职看声誉管理与职业规划

在技术驱动的商业环境中,职业变动是每位从业者都可能面临的课题。从原理上看,职业变动涉及个人与组织在战略、资源、文化等多维度的动态匹配过程,其背后反映了技术人才市场的供需规律和人力资本配置逻辑。从技术价值角度,深入理解职业变动机制有助于构建更稳健的职业发展路径,提升个人在快速迭代行业中的适应性和竞争力。应用场景广泛覆盖从初创公司到科技巨头的各类组织,尤其在高风险、高投入的前沿领域如自动驾驶、人工智能等,职业变动往往与战略分歧、融资压力、治理结构等复杂因素交织。本文聚焦于职业声誉管理和舆论应对策略,探讨在信息过

weixin_30770783的博客 373

2025年,计算机专业考研还值得吗?

此外,“逆向考研”(降级选择双非院校)比例不足20%,81%考生仍瞄准更高层次院校。- **低端饱和**:基础程序员岗位因培训机构批量输出人才,竞争激烈,部分企业甚至偏好“短训生”(成本更低)。- **职业天花板**:技术管理岗(如CTO)普遍要求硕士学历,但纯技术路线中,经验与能力的权重逐渐超越学历。- **方向误判**:盲目追逐热门方向(如AI),若缺乏数学基础或项目支撑,毕业即面临“高不成低不就”。- **突破学历壁垒**:进入头部企业(如华为、阿里)的“敲门砖”,尤其是算法、芯片等高端领域。

2302_76722652的博客 2852

职业规划易犯十大错误

 1、错把就业当择业      校园中广泛流行宣传的“先就业后择业”口号在很大程度上误导了大学生的职业观念,我们都知道人的职业生涯的时间是有限的,我们不能把过多的时间用在选择职业上,而耽误了在适合职业上的奋斗时间。简单的说,如果我们把人的职业生涯的成功归纳为是选择适合的职业和在职业上有所作为的话,那这两个因素的总和就是人的总的职业生涯的时间,而大学生呢?在这个问题上就是,大学生没有把选择适合的职业...

259

做好职业规划,让成长少走弯路

职场迷茫期往往源于缺乏清晰的职业规划。本文提出三步走策略:首先通过深度自我认知明确优势与兴趣,区分浅层爱好和深层兴趣;其次设定分层目标,将1-2年短期技能培养、3-5年中期能力提升与5-10年长期愿景相结合;最后定期复盘调整规划,关注行业趋势变化。职业规划不是束缚,而是应对职场不确定性的导航仪,需要将规划能力与执行力相结合,在动态调整中实现持续成长。

2503_94814888的博客 402

从比亚迪薪资调整看新能源汽车行业人才战略与职业规划

薪酬体系是企业人才战略的核心体现,尤其在技术驱动型行业,它直接反映了市场对关键技能的价值认定。其设计原理通常基于岗位价值评估、市场对标和绩效关联,旨在吸引、激励和保留核心人才。在新能源汽车行业,随着‘软件定义汽车’和智能化转型的深入,薪酬体系的技术价值导向愈发明显,成为企业构建竞争壁垒的关键。这直接影响了算法工程师、软件架构师等关键岗位的薪酬带宽和结构。其应用场景已从传统的人力资源管理,扩展到企业战略落地、技术团队建设和行业人才流动分析。近期行业头部企业的薪酬调整动态,正是这一趋势的集中体现,为从业者提供了

weixin_30530339的博客 291

对于领导力与组织管理专业的学生来说,现在什么行业发展前景最好?

在这个充满机遇和挑战的时代,领导力与组织管理专业的学生们应该积极拥抱新兴行业的发展浪潮,不断学习和创新,为自己的未来发展创造更加美好的前景。就像 CDA 数据分析师的课程能够为学生提供数据分析和决策支持的技能,帮助他们在复杂的商业环境中脱颖而出一样,这些行业也为领导力与组织管理专业的学生提供了丰富的机会,让他们能够充分发挥自己的才能,实现职业目标。例如,一家企业通过大数据分析发现员工离职率较高的部门,进而深入分析原因,采取针对性的措施,如改善工作环境、提供更多的培训机会等,降低了离职率。

CDA_Slack的博客 912

计算机专业选择指南:从行业现状到个人发展路径

计算机科学作为一门基础学科,其核心在于培养计算思维和解决问题的能力。这种思维模式通过分解、抽象和算法设计,能够应用于解决商业、管理等复杂问题。随着技术快速迭代,行业对人才的需求从基础编码转向系统思维和工程实践能力。当前计算机教育面临理论与实践脱节的挑战,导致毕业生项目经验和工程能力不足。掌握Git版本控制、Linux命令行、调试部署等工程技能,成为从学生向工程师转变的关键。对于具备逻辑思维、持续学习能力和技术热情的人,计算机专业仍能提供跨界融合、创业开发等多元发展路径。

weixin_30800987的博客 474

专家建议|8大措施加速你的创新职业规划和成长

成为一名企业创新者并不容易。往往资源不足,得不到企业其他人的充分理解和支持。因此,在推动创新和个人职业生涯成长两方面都很难取得有效进展。如何改变这个尴尬的困局呢?Runwise的多名创新专家总结并分享他们对企业创新岗位的深度分析,并建议8大措施加速成长你的创新职业规划。...

upskill2018的博客 675

大学计算机类的专业怎么选才正确?

高考分数线公布之后,大学专业选择与志愿填报成为众人热议的又一话题,而围绕“计算机专业大类该如何分流做抉择”的提问也越来越多,索性今天就给大家梳理梳理: 看到很多人给出了自己的意见,即:计科>软工>信安>物联网; 嗯…不能说不对吧,但关于选择专业这事儿,还是得看自己的兴趣和未来发展的规划(包括行业需求和个人家庭因素,如更倾向于离家近、不想跑太远的城市等)来综合考量。 这里梳理下计算机专业方向区分: 计算机科学与技术(080901) 就业方向:在网络通信类科研院所、政府机构、银行、电力企业、计算机网络公司、通信

成都汇智动力的博客 564

技术岗的职业规划_心手计划 | 遇见,初识互联网非技术岗位

活动时间:2019年4月12日10点-12点活动地点:新太阳学生中心225室小组导师:喻丹导师小组助理:林庭葳活动摄影:滕国旭活动记录:刘兴沛活动回顾Part one 破冰4月12日上午,心手计划第8组的小伙伴们首次相聚在新太阳学生中心,开始了新学期的第一次活动。首先是破冰和自我介绍环节。第8组的组员来自不同的院系和年级,大家依次做自我介绍,互相了解了各自的专业、年级,以及每个人的特长、...

weixin_39641738的博客 226
上一篇: Extjs的DatePicker与普通表单的Input文本框集成
下一篇: JAVA面试简历书写技巧-第一页最重要
老紫竹
博客等级 码龄19年 1万+粉丝 1252原创
评论 4
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