Daily reflection| 北森大学生求职训练营 课程复盘记录【更新ing】

训练营涵盖了求职资源介绍,如国家大学生就业服务平台和企业官网,以及行业发展和岗位选择的讨论。在答疑环节,讨论了投行资料分析、外包员工的考量、技术岗位与非技术岗位的对比,以及二战对职业发展的影响。文章强调了个人能力提升和技术专精的重要性。

2023.3.6 第一天 求职资源环境介绍与答疑

1求职资源环境

1.1 毕业能做什么

毕业有能做什么

1.2 资源环境

  • 环境:要注意白皮书,国家的战略规划动向,大力发展的行业动向。例如对于婴幼儿和老人的服务在不断完善,这方面的企业发展趋势会还可以。
  • 资源:深圳人力资源保障网,国家大学生就业服务平,新职业网站。
    各大企业的招聘官网,腾讯,华为,阿里,顺丰,京东…
  • 地域:主要是五大地域:粤港澳大湾区,长三角,京津地区,川南地区…机会会更多一些。

2 求职答疑:

2.1 行业发展,投行资料怎么看?

答:投行资料只能证明资本比较喜欢这个类目有一定的发展空间,主要是看大概的投资方向。

2.2关于外包员工的看法

答:外包和内部员工主要是区别在上升的机会和福利,认为如果一定要去外包,一定要注意挖掘内部的资源,怎么样可以进步自己的技术去往内部走。
个人看法:本人卑微的一段

2.3 职业发展推荐的资料和书籍,公众号。

答:(老师还在找)
个人:codesheep大佬推荐的书籍 《软技能 代码之外的生存指南 ([美]约翰 Z. 森梅兹)》

2.4 如果有两个机会,分别是项目管理运维岗(非技术),还是偏技术的比如测试开发,前端开发岗会比较好

答:首先项目管理岗这个管理,统筹规划的能力是非常重要的,老师认为还是要有技术的能力去加强管理,运维能力,才能真正在职业生涯往上走。
个人认为:能力肯定都要更好,但是我觉得技术类的壁垒更高更好。

2.5如何看待二战对于职业发展的影响,计算机专业,想走技术路线的话。

答:建议不要二战,因为走技术路线在实际工作当中也可以有很大的提升,读研其实差异不大。
个人认为:读研有更高的平台,资源去走研发技术,科研路线。我可能会想二战,本人女会偏向稳健的生活不一定是很有挑战性的,成就感的。

3.个人感想

  1. 求职要注意职业发展,至少互联网大部分是技术类>非技术类。
  2. 大公司大平台是有好处有资源的,但是更重要要注意自己能力的提升,技术—管理—运营;
  3. 选择行业要注意,尽量使朝阳行业为好,现在互联网有云行业,数据开发,等
  4. 先有专精的技术再追求全面的发展,要有自己的个人优势竞争力。
  5. 要想清楚自己二战的原因,不要再随波逐流,但是不太想脱产二战。

第二天 找到真实的自己

自己可以做什么,能够做什么

1.课程

有很多:专业,实践经历,人脉

1.1 资源

自己的专业能够从事的职业头脑风暴,专业趋向找机会——专业课

  • 前端
  • 后端
  • 大数据
  • 测试开发
  • 运维
  • 产品经理
  • 技术服务
  • 视觉开发

在这里插入图片描述

1.2 我想干什么

兴趣探索:爱好内在的点是什么
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
我:3 6 7 深圳国企央企 大厂 研发技术类

内容概要:本文围绕列车-轨道-桥梁交互仿真研究,基于Matlab平台构建数值模型,系统分析列车运行过程中轨道与桥梁结构间的动态相互作用机制。研究涵盖多体动力学建模、耦合系统运动方程求解、边界条件设定及仿真结果可视化等关键环节,重点揭示高速行车条件下基础设施的振动传递规律与力学响应特征。该仿真方法可有效评估结构安全性、舒适性指标及疲劳寿命,为轨道交通工程的设计优化与运维管理提供理论支撑和技术路径。文中配套提供了完整的Matlab代码实现方案及操作说明,便于用户复现、验证和拓展相关研究。; 适合人群:具备Matlab编程基础和结构动力学、车辆动力学等相关专业知识的研究生、科研人员及从事铁路工程、桥梁工程与交通系统安全评估的工程技术人才,尤其适合开展轨道交通耦合振动课题的研究者。; 使用场景及目标:①用于高校与科研机构进行列车-轨道-桥梁耦合系统动力学特性的教学演示与科学研究;②支撑高速铁路桥梁的设计优化、运营安全性评估与减振降噪方案验证;③为复杂交通基础设施的多物理场耦合仿真提供建模思路与代码参考。; 阅读建议:建议读者结合所提供的Matlab代码逐模块深入研读,重点关注系统建模假设、质量-刚度-阻尼矩阵构建方法及数值积分算法的实现细节,同时可通过调整参数进行敏感性分析,进一步掌握仿真模型的适用范围与优化方向。
内容概要:本文系统研究了非线性薛定谔方程的物理信息神经网络(PINN)求解方法,提出一种将物理规律嵌入深度学习模型的科学计算新范式。通过构建全连接神经网络架构,将非线性薛定谔方程及其初始/边界条件作为损失函数的核心组成部分,实现了在无须大量标注数据的前提下对复值偏微分方程的高精度数值求解。该方法充分利用自动微分技术精确计算方程残差,有效融合了数据驱动与模型驱动的优势,在光学孤子传播、量子系统演化等典型场景中展现出优异的逼近能力与泛化性能。文中配套提供了完整的Python实现代码,涵盖网络搭建、损失定义、训练优化与结果可视化全流程。; 适合人群:具备Python编程能力与深度学习基础知识,熟悉偏微分方程理论及科学计算的理工科研究生、科研人员,以及从事光学、量子物理、流体力学等领域建模与仿真的工程技术人员。; 使用场景及目标:① 掌握PINN方法的基本原理与实现技巧;② 学习如何将复杂物理方程转化为可训练的神经网络损失项;③ 应用于非线性光学、玻色-爱因斯坦凝聚、水波动力学等问题的仿真与预测;④ 为相关科研课题提供可复现的算法原型与代码参考。; 阅读建议:建议读者结合所提供的Python代码进行动手实践,重点理解神经网络对微分算子的近似机制、损失函数的多任务加权策略以及训练过程中的超参数调优方法,进而可迁移至其他非线性偏微分方程的求解任务,拓展其在交叉学科中的应用边界。
评论
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