某 C 的微信入职经验分享

听过前面跳槽节目的朋友应该还记得,那期有一位不愿意透露姓名的某 C。最新消息,某 C 已经成功入职微信,这期就再次请他来聊聊跳槽这件事,也回顾和总结下他的成长过程,希望给大家一些参考。

可能你会觉得,微信这种级别的公司,需要的都是顶尖牛人、名校毕业生,普通开发者根本没机会。但是我想告诉大家,某 C 并不是这类人。他是一个普通 211 的本科毕业生,之前的工作也不是顶尖一线公司,甚至都不是在主流的大城市。能入职微信,靠的就是自己的不断努力。

我觉得某 C 非常符合 ggtalk 的定位。在第一期我就说过,不想请那些 CEO、CTO,也不想请那些天赋异禀实力超群的天才。我想请的就是和你我一样的普通人,聊聊他们做的那些有意思、有意义的事,让大家看到,只要想提升,你永远可以做得更好。

参考链接:

  • 之前的节目:狭义跳槽论:面试官,大厂新人和准备起跳的某 C(https://talk.swift.gg/12)
  • 欧盟的 GDPR:https://en.wikipedia.org/wiki/General_Data_Protection_Regulation
  • BNC 的博客:https://bignerdcoding.com
  • 梁杰的微博:@梁杰_numbbbbb(https://www.weibo.com/numbbbbb)

时间线:

  • 00:43 个人介绍 + 上集回顾 + 闲聊
  • 04:28 历史最长免责声明(不愧是微信员工)
  • 08:42 在微信工作感觉如何
  • 10:40 讲讲面试过程
  • 15:04 简历有什么亮点?如何打动面试官?
  • 19:15 当时有没有面试其他公司 + 讨论是否要刷算法题
  • 27:14 回顾一下毕业这几年,讲讲自己的成长过程
  • 43:52 现在还有哪些不足之处 + 未来的职业规划
  • 46:40 聊聊我们翻译组 + 参与兴趣小组的作用 + 如何参与/组建兴趣小组
  • 58:51 最后还有什么话要说
内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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