秋招准备-规划篇

身边的人陆陆续续开始准备秋招,后知后觉形选手也要开始了。

《礼记·中庸》中说“凡事豫则立,不豫则废。言前定则不跲(jiá),事前定则不困,行前定则不疚,道前定则不穷”。

这里针对自己的简历,做一个拆解和分析,方便系统的准备。

项目梳理

凡团队项目,必定是每一个人的付出都至关重要,回顾这部分的时候很开心~

飞机大战

大一的团队项目,基于Cocos-2dx开发,代码虽然很乱,但是也算是个有意思的小游戏。

技术栈: C++ 、Cocos-2dx

听歌识曲

大二,基于傅里叶变换的java听歌识曲项目,手撸的感觉还是很不错的,那时候还不会markdown语法。

关键词: Java、傅里叶变换

码云链接:链接

网站设计大赛

留下的资料不多

精准教育

下次找图补一下。

网络文学IP价值评估及预测

关键词: 团队、LDA、ARIMA等算法

高分卫星图像识别

坦白讲这个项目自己划水比较多,很惭愧。引以为戒,不要坑队友!

演示视频:https://www.bilibili.com/video/av14535060

实习经历

开始时间 结束时间 公司 职位
2018年7月 至今 腾讯-微信支付 应用研究实习生
2018年3月 2018年6月27号 字节跳动 大数据研发实习生

字节跳动

  • hive
  • Spark
  • Scala
  • Python

腾讯-微信支付

编程基础

  • 操作系统
  • 计算机网络
  • Linux

编程语言

Python

Java

C++

算法、数据结构

  • LeetCode
  • 《剑指offer》
  • 《算法导论》

统计学习、机器学习

  • 《统计机器学习》 李航
  • 《机器学习》 周志华
  • 《高等数学》
  • 《线性代数》
  1. 线性代数:我的一个同事 Skyler Speakman 最近说过,「线性代数是 21 世纪的数学」,我完全赞同他的说法。在机器学习领域,线性代数无处不在。主成分分析(PCA)、奇异值分解(SVD)、矩阵的特征分解、LU 分解、QR 分解、对称矩阵、正交化和正交归一化、矩阵运算、投影、特征值和特征向量、向量空间和范数(Norms),这些都是理解机器学习中所使用的优化方法所需要的。

  2. 概率论和统计学:机器学习和统计学并不是迥然不同的领域。事实上,最近就有人将机器学习定义为「在机器上做统计」。机器学习需要的一些概率和统计理论分别是:组合、概率规则和公理、贝叶斯定理、随机变量、方差和期望、条件和联合分布、标准分布(伯努利、二项式、多项式、均匀和高斯)、时刻生成函数(Moment Generating Functions)、最大似然估计(MLE)、先验和后验、最大后验估计(MAP)和抽样方法。

  3. 多元微积分:一些必要的主题包括微分和积分、偏微分、向量值函数、方向梯度、海森、雅可比、拉普拉斯、拉格朗日分布。

  4. 算法和复杂优化:这对理解我们的机器学习算法的计算效率和可扩展性以及利用我们的数据集中稀疏性很重要。需要的知识有数据结构(二叉树、散列、堆、栈等)、动态规划、随机和子线性算法、图论、梯度/随机下降和原始对偶方法。

  5. 其他:这包括以上四个主要领域没有涵盖的数学主题。它们是实数和复数分析(集合和序列、拓扑学、度量空间、单值连续函数、极限)、信息论(熵和信息增益)、函数空间和流形学习。

计算机视觉

主要理清楚几篇关键paper里面的东西吧

object-detection

  • RCNN、fast RCNN、faster RCNN的改进?
  • 上述三种模型分别采用的什么loss function?
  • 上述模型中正负样本如何生成?
  • Selective Search生成region proposal时有哪些合并策略?
  • 介绍一下Roi pooling?

Region of Interest(ROi),特征图的框,特点是:输入特征图尺寸不固定,但是输出特征图尺寸固定。

  • caffe的基本介绍?
  • faster RCNN如何训练RPN和fast RCNN网络?
  • 说收Fine-tuning?

OCR

自然语言处理

常见的算法

分词原理

词向量

词性的标注

待完善…

参考

曹真 wechat
欢迎关注公众号:一时博客