程序员必读的职业生涯规划书【精品】.pdf
程序员是一种逻辑动物，只有当他们理解求职到底是一种什么行为以后，才能做出有意义的行动。 所以本书不讲职场、不灌鸡汤，从价值论开始，以独创的职业画布工具展开，从四大象限、九大方面为你讲解。 有果更有因、有理更有据，分析数据、简历模板、书写工具、技能树图一应俱全，实为程序员们应该人手一本的职业规划书。原理篇我之所以会去研究求职,以至于最后在人才这个方向创业,很大程度上是因为以前所有的求职指导都是经验论,缺乏逻辑性。而程序员是一种逻辑动物,只有当他们理解求职到底是一种什么行为以后,才能做出有意义的行动。我花了很久去寻找背后的理论支持,直到我重逢了价值论。原理篇从价值理论开始,讲述我们求职行为的本质。价值论人才的使用价值供需信息透明度交薪资换雇主价值自从中国转冋市场经济以后,市场规则就开始左右一切。虽然人才不完全等同于其他物品,但现在先让我们把人才也作为一类商品来看待。使用价值除了我们这些做人力资源相关行业的公司外,绝大部分公司购买人才都是为了使用,所以他们看中的是其使用价值。这个使用价值说得更直白一点,就是人才如何直接或者间接的为公司挣钱。使用价值不是独立存在的,而是相对于使用者存在。所以我们程序员自己的价值,也是相对于公司而言的。有同学说,我技术很好啊,又会机器学习又会编译原理,凭什么那些写 Javascript的薪水比我高一倍?谁让你在一家建站公司上班呢。对一家做网站的公司而言,机器学习和编译原理是不能为它带来收益的,而 Javascript写成的带有完美动画的交互组件却能实实在在的拉升公司产品的销售。而同样是这个人,如果他去一家以大数据分析为核心业务的公司工作,那么他的价值就不样了。所以你的价值,和你牛不牛无关,只和你能为你的雇主提供多少价值有关。(当然,大多数情况下,你能力越牛越能提供更多价值。)这是最根本的规则。增加自己的使用价值很简单,提升自己的业务能力就好。供需有个80后自嘲的段子是这么说的读小学时,大学不要钱;读大学时,小学不要钱;还没工作时,工作是分配的;可以工作时,得自谋职业;没挣钱时,房子是分配的;能挣钱时,发现一辈子的薪水也买不起房子。我不知道国内人才市场是什么时侯市场化的,就算成悲催的80后开始工作时吧。人才市场化意味着你有了选择公司的权利,同时也意味着公司有了选择你的权利。这个时候,交换价值就出来了。虽然交换价值以使用价值为基础,但它更容易受供需的影响简单的说,当企业的职位空缺远少于找工作的人数时,人才的价格就会下降;而当企业的职位空缺比找工作的人数更多时,人才的价格就会上升。在过去相当长时间里,我们都处于前一种情况。这意味着求职者要彼此竞争,而招聘方可以选择要价更低的候选人。这在大家大学毕业找工作时应该深有体会。幸运的是,供需也是可以调整的,技巧就在于选择更好的细分市场。因为需求的多样性是存在的,所以如果你能在一个大的需求中切入一个需大大大于求的细分市场,那么你就能得到远高于其他人的回报。举个例子,同样是管服务器,普通运维工程师和云计算运维工程师的薪资差异是非常大的。一个普通运维要变成云计算运维,需要补充的知识并不是特别多。所以你只要合理安排好自己的职业规划,比如以相对较低的薪资到类似新浪云这样的地方工作一到两年,你的能力和交换价值都会大幅度提升。信息透明度当人才市场很小的时候,信息是很透明的。因为很容易了解到各自的情况。但当信息量变大后,你就会发现虽然整个市场很大,但只有你接触到的才对你有意义。比如北京现在有100家公司都在招聘PHP,但你只知道其中3家,这个时候,其他97家公司的存在对你而言是没有意义的,即使这3家给你的薪资比其他公司低,你也只能被迫接受。这就是信息透明度对我们求职的影响。没有网络招聘的时候,我们很难对这些公司进行比较,折腾过几家公司后,就屈服了。有了网络招聘,求职者活得稍微好一些了,可以不岀门看到全国的招聘情况;但Jobboard形式的招聘站是为招聘方设计的,它们通过构造信息不对称,向求职者优先显示那些付费却未必最好的公司,迫使求职者以更低的薪资为这些可见的公司工作。(这无可厚非,所有中介体都是通过信息不对称来收费的)所以要想拿到足够好的薪资和获得足够多的机会,我们要学会和信息不对称进行抗争。定要在短时间内获取到大量的机会,这样才能「做选择题」而不是「做判断题」。关于如何改变信息不对称,操作篇中的「渠道」部分我们会详细说明。跳槽不是什么跳槽不是为了追求价值最大化虽然前边我们从纯商业的角度讨论了跳槽这件事,但实际上我们并不推荐求职者单纯地通过薪资的高低来选择雇主。原因有两个。工作是生活的一部分你每天有24小时,上班8小时,它是你三分之一的生命。如果你只是因为高薪选择了一家上班不开心的公司,那么接下来三分之一的日子你都会在痛苦中渡过。而你得到的,只是多出来的那么每月几千块钱而已。职业的不可逆性别的事情错了我们可以重来,而职业选择上,每一步都是好几年的时光。一旦走下去,就很难回头,因为一旦换职业方向、哪怕换个开发语言,都意味着你之前的积累很可能前功尽弃。所以眼光放长远点,不要只看眼前的高薪,更要看好未来的发展,方向错了,跑得越猛输得越狠。跳槽不是找工作跳槽不是找工作,而是换工作。所以它和你刚毕业时找工作不一样,它是有成本的到一家新的公司,需要放弃原来公司的期权,需要重新熟悉业务,重新和同事搞好人际关系,上班路上需要花更多的时间,甚至需要离开自己熟悉的城市。你并不是一无所有,虽然往往只有在你失去后才发现。所以跳槽之前要考虑好自己的付出和收益:衡量好得失:没事别裸辞。跳槽不是加薪的砝码不要以跳槽为砝码去谈加薪,这种迫胁性的谈薪资方式会使主管对你丧失信仼。不管涨薪成不成功,他都不得不为你的离职做好准备,而当准备完成后,你就可以走人了。类似的,当你提珧槽时,如果你的主管通过加薪来挽留你,最好也不要同意。程序员如何谈薪资如果你对现在公司很满意,只是觉得薪资大低,那么可以先和你的主管聊聊我一般这么谈加薪的首先,讲一讲自己最近在工作上的成长,看主管是否认同;●然后,从能力提升角度,向主管要一个更大的发展空间和更大的业务挑战;最后,问问当你的能力达到这个新的水平时,蒜资是否可以同步提升起来。这样谈有几个好处:它建立了一个谈话基础,那就是薪资应该和能力相匹配它不谈现在的薪资,而是谈未来,一方面表明你对现在的薪资还算满意(以减少主管顾虑),另一方面对主管来讲,他没有立刻给你涨薪的压力;·它体现了你对自己能力提升的渴求,而如果在谈话中出现任何不顺利,你可以把中途把对话结束,根本不提加薪的事情。当然,坏处就是你得隔段时间才能加薪了。跳槽到底为什么说了那么多跳槽不是什么,那跳槽到底为什么呢?求职的本质在跳槽之前,你想过我们为什么要工作么?其实并不是真的如我们父辈们认为的那样,人活着就是要有一份工作的。工作最重要的目的是累积金钱。这是我们在这个现实世界用以维持生计的必需资源。挣钱这件事,至少有四种形式:帮别人挣钱(打工);为自己挣钱(SOHO);雇别人挣钱(企业主);让钱自己挣钱(投资)。为什么我们总是选择第一种呢?因为第一种门槛和风险都最低。而求职只是我们在自己资源和能力不足以进入后几种挣钱形式时,通过出卖自己的劳动能力换取资源的阶段性行为当然,如果能在第一种形式下获得自己满意的物质回报和精神满足,你也可以永远不考虑其他形式,但其他形式在挣钱的效率和数量上是有优势的。这个我们在稍后的章节会细聊。跳槽的意义跳槽其实是打工这种挣钱形态下,我们进行自我调节的方式,通过合理地跳槽,我们可以寻找到市场需求和自我实现的最佳匹配,从而在金钱和成长上双丰收。「市场需求」描述了企业渴求的员工;「自我实现」描述了你想要的生活;当它们重合到起,梦想就照进了现实。这会带给你几年非常愉快的工作生活,但随着我们不断成长,职位和能力可能出现不匹配,这时候我们又需要通过跳槽来再次调节。很多时候,这也是很无奈的事情,不进则退,人在江湖身不由己。跳槽的原则我有一个很好用的跳槽原则,之前发到微博上被赞了上百次:
- 2021-05-07下载
- 积分：1
word2vec_中的数学原理详解
word2vec_中的数学原理详解个人收集电子书，仅用学习使用，不可用于商业用途，如有版权问题，请联系删除！wordzvec中的数学hoty@163.com2014年7月目录前言2预备知识2.1 sigmoid函数2.2逻辑回归3 Bayes公式2.4 Huffman编码,,,,,,,,524.1Humu树242 Huttman树的构造62.4.3 Huffman编码..,.3背景知识3.1统计语言模3.2n-gram模型103.3神经概率语言模型123.4词向量的理解4基于 Hierarchical softmanⅹ的模型41CBOW模型..191.1.1网络结构41.2梯度计算201.2 Skip-gram模型42.1网络结构42.2梯度计算255基于 Negative sampling的模型285.1CBOW模型285.2 Skip-gram模型53负采样算法326若干源码细节346.1a(x)的近似计算62词典的存储63换行符3564低频词和高频词366.5窗口及上下文3766自应学习率3767参数初始化与训练386.8多线程并行3869几点疑问和思考11m3881前言word2vec是 Google于2013年开源推出的一个用于获取 word vector的工具包,它简单、高效,因此引起了很多人的关注,由于word2vec的作者 Tomas nikolov在两篇相关的论文(,[4)中并没有谈及太多算法细节,因而在一定程度上增加了这个工具包的神秘感些按捺不住的人于是选择了通过解剖源代码的方式来一窥究竟第一次接触word2ve是2013年的10月份,当时读了复且大学郑骁庆老师发表的论文7,其主要工作是将SENA的那套算法(8])搬到中文场景.觉得挺有意思,于是做了一个实现(可参见[20),但苦于其中字向量的训练时间太长,便选择使用word2we来提供字向量,没想到中文分词效果还不错,立马对word2vec刮目相看了一把,好奇心也随之增长后来.陆陆续续看到∫word2ve的一些具体应用,而 lomas nikolov团队本身也将其推广到了句子和文档(),因此觉得确实有必要对word2vec里的算法原理做个了解,以便对他们的后续研究进行追踪.于是,沉下心来,仔细读了一回代码,算是基本搞明臼里面的做法了.筼一个感觉就是,“明明是个很简单的浅层结构,为什么被那么多人沸沸扬扬地说成是Decp Learning呢?”解剖word2vec溟代码的过程中,除了算法层面的收获,其实编程技巧方面的收获乜颇多.既然花了功夫来读代码,还是把理解到的东西整理成文,给有需要的朋友提供点参考吧在整理本文的过程中,和深度学习群的群友北流浪子(15,16)进行了多次有益的讨论在比表示感谢另外,也参考了其他人的一些资料,鄱列在参考文献了,在此对他们的工作也并表示感谢2预备知识本节介绍word2vee中将用到的些重要知识点,包括 sigmoid函数、 Beyes公式和Huffman编码等821 sigmoid函数sigmoid函数是神经网络中常用的激活函数之一,其定义为1+e该函数的定义域为(-x,+x),值域为(0,1).图1给出了 sigmoid函数的图像0.5图1 sigmoid函数的图像sigmoid数的导函数具有以下形式)=0(x)1-0(x)由此易得,函数logo(a)和log(1-0(x)的导函数分别为log o(a)(21)公式(2.1)在后面的推寻中将用到822逻辑回归生活中经常会碰到二分类问题,例如,某封电子邮件是否为垃圾邮件,某个客户是否为在客户,某次在线交易是舌仔在诈行为,等等.设{(x,)}1为一个二分类问题的样本数据,其中x∈R",∈{0,1},当1=1时称相应的样本为正例,当v=0时称相应的样本为负例利用 sigmoid函数,对于任意样木x=(x1,x2,…,xn),可将二分类问题的 hypothesis函数写成h(x)=0(o+61x1+622+…+nxn),其中0=(0o,01,…,O)为待定参数.为了符号上简化起见,引入x0=1将x扩展为(x0,x1,x2,…,xrn)},且在不引起混淆的情况下仍将其记为ⅹ.于是,he可简写为取阀值T-0.5,则二分类的判别公式为1,b(x)≥0.5y(x0.5那参数θ如何求呢?通常的做法是,先确定一个形如下式的整体损失函数∑co(x,v)然后对其进行优化,从而得到最优的參数θ实际应用中,单个样本的损失函数cost(x,)常取为对数似然函数cosl(xi, yi)),v-1;(1-(x),v=0注意,上式是一个分段函数,也可将其写成如下的整体表达式cost(x2,3)=·log(ho(x)(1y1)·log(1h(x)323 Baves公式贝叶斯公式是英国数学家贝叶斯( Thomas Bayes)提出来的,用来描述两个条件概率之间的关系.若记P(A),P(B)分别表示事件A和事件B发生的概率,P(AB)我示事件B发生的情况下事件4发生的慨率P(A,B)表示事A.B同时发生的概率.则有P(AB)P(B), P(BLA)=P(A, B)P(A, B利用上式,进一步可得P(B AP(AB)-P(A)P(B)这就是 Bayes公式g2.4 Huffman编码本节简单介绍Humn编码(具体内容主要来白百度百F的词条.[10),为此,首先介绍Huffman树的定义及其构造算法§24.1 Huffman树在计算机科学中,树是一种重要的非线性数据结构,它是数据元素(在树中称为结点)按分支关系组织起来的结构.若干棵互不相交的树所构成的集合称为森林.下面给出几个与树相关的常用概念·路径和路径长度在一棵树中,从一个结点往下可以达到的孩子或孙子结点之间的通路,称为路径.通路中分支的数目称为路径长度.若规定根结点的层号为1,则从根结点到第L层结虑的路径长度为L-1●结点的权和带权路径长度若为树中结点赋予一个具有某种含义的(非负)数值,则这个数值称为该结点的权结点的带权路径长度是指,从根结点到该结点之间的路径长度亐该结点的杈的乘矾·树的带权路径长度树的带权路径长度规定为所有叶子结点的带权路径长度之和二叉树是每个结点最多有两个子树的有序树.两个子树通常被称为“左子树”和“右子树”,定义中的“有序”是指两个子树有左石之分,顺序不能颠倒给定n个权值作为n个叶子结点,树造一棵二叉树,若它的带权路径长度达到最小,则称这样的二叉树为最优二叉树,也称为 Huffman树82.4.2 Huffman树的构造给定m个权值{mn,m2;…,mn}作为二叉树的m个叶子结点,可通过以下算法来构造颗 Huffman树算法2.Ⅰ(Hu「man树构造算法)(1)将{1,2,……,wn}看成是有n棵树的表林(每树仅有一个结点)2)在森林中选出两个根结,的权值最小的树合并,作为-棵新树的左、右子树,且新树的根结点权值为其左、右子树根结点权值之和〔3)从森林中燜除选取的两樑树,并将新树加入森林(4)重复(2)、(3)步,直到森林中只剩一棵树为止,该树即为所求的 luffman树接下来,给出算法2.1的一个具体实例例2.1假设2114年世界杯期间,从新浪毀博中抓取了若干条与足球相关的微博,经统计,“我”、“喜欢”、“观看”、“巴西”、“足球”、“世界杯”这六个词岀现的次薮分别为15,8,6,5,3,1.请以这6个词为叶子结点,以相应词频当权值,构造一棵Hu∥n树.⊙Q⑨Q⊙只66如→只只③⊙图2 Huffman树的构造过程利用算法.,易知其枃造过程如国g所示,团中第六步给出了最终的 Hutman树,由囚可见词频越大的词离根结点越近构造过程中,通过合并新増的结点被标记为黄色.由于每两个结点邡要进行一次合并,因此,若叶子结点的个数为η,刘枃造的H們πω树中新増结点的个数为π-1.本例中n6,因此新增结,的个数为5注意,前面有捉到,二叉树的丙个子树是分左右的,对于某个非叶子结点来说,就是其两个孩子结点是分左右的,在本例中,统一将词频大的结点作为左孩子结点,词频小的作为右孩子结点当然,这只昃一个约定:你要将词頻大的结点作为右孩子结点也浸有问题§24.3 Huffman编码在数据通倍中,需要将传送的文宁转换成二进制的字符串,用0,1码的不同排列米表示字符.例如,需传送的报文为“A上 TER DATA EAR ARE ART AREA”,这里用到的字符集为“A,E,R,T,F,D”,各字母出现的次数为84,5,3,1,1,现要求为这些字母设计编码要区别6个字母,最简单的二进制编码方式是等长编码,固定采用3位二进制(23=8>6),可分别用000.001、010、011、100、101对“A,E,R,T,F,D”进行编码发送,当对方接收报文时再按照三位一分进行译码显然编码的长度取决报文中不同字符的个数,若报文中可能出现26个不同字符,则固定编码长度为5(2=32>26).然而,传送报文时总是希望总长度尽可能短.在实际应用中,各个字符的出现频度或使用次数是不相同的,如A、B、C的使用频率远远高于X、Y、7,自然会想到设计编码时,让使用频率高的用短码,使用频率低的用长码,以优化整个报文编码.为使不等长编码为前缀编码(即要求一个字符的编码不能是另一个字符編码的前缀),可用字符集中的每个宇符作为叶子结点生成一棵编码二叉树,为了获得传送报文的最短长度,可将每个字符的岀现频率作为字符结烹的权值赋予该结点上,显然字使用频率越小权值越小,权值越小叶子就越靠下,于是颎率小编码长,频率高编码短,这样就保证了此树的最小带权路径长度,效果上就是传送报文的最短长度.因此,求传送报文的最短长度问题转化为求由字符集中的所有字符作为叶子结点,由字符出现频率作为其权值所产生的Hman树的问题.利用 Hultman树设计的二进制前缀編码,称为 LuminaL编码,它既能满足前缀编码的条件,又能保证报文编码总长最短本文将介绍的word2ve工具中也将用到 Huffman编码,它把训练语料中的词当成叶子缩点,其在语料中出现的次数当作权值,通过构造相应的 Huttman树来对每一个词进行Huffman编码图3给岀了例2.1中六个词的 Huffman编码,其中约定(词频较大的)左孩子结点编码为1,(词频较小的)石孩子编码为θ.这惮一米,“我”、“喜欢”、“观看”、“巴西”、“足球”、“世界杯”这六个词的 Huffman编码分别为0.111,110,101,1001和10000我告欢巴匹0足球图3 Huffman编码示意图注意,到目前为止,关于 Huttman树和 Huttman編码,有两个约定:(1)将权值大的结点作为左孩子结点,权值小的作为右孩子结点(2)左孩子结点编码为1,右孩子结点编码为0.在word2vec源码中将权值较大的孩子结点编码为1,较小的孩子结点编码为0.为与上述约定统一起见,下文中提到的“左孩了结点"都是指权值较大的孩了结点83背景知识word2vec是用来生成词向量的工具,而词向量与语言模型有着密切的关系,为此,不妨先了解一些语言模型方面的知识83.1统计语言模型当今的互联网迅猛发展,每天都在产生大量的文本、图片、语音和视频数据,要对这些数据进行处理并从中挖掘岀有价值的信息,离不开自然语言处理( Nature Language processing,NP)技术,其中统计语言模型( Statistical language model)就是很重要的一环,它是所有NLP的基础,被广泛应用于语音识别、机器翻译、分词、词性标注和信息检索等任务.例.1在语音识别糸统中,对于给定的语音段Vire,霄要找到一个使概率p( TertVoice最大的文本段Tert.利用 Bayes公式,有P(Teat voice)p(VoiceText). p(Textp(Voice)其中p( CicetE.c)为声学模型,而 elEct)为语言模型(18])简单地说统计语言模型是用来计算一个句子的概率的概率模驷,它通常基于一个语料库来构建.那什么叫做一个句子的概率呢?假设W=m1:=(m1,2,…,mr)表示由T个词,2,……,按顺序构成的一个句子,则1,c2…,w的联合慨率p()=p(x1)=p(01,t2,…,r)就是这个句子的概率利用 Bayes公式,上式可以被链式地分解为p(uh)-p(1)·p(u2lu1)p(u3lu2)…p( wru-1),(3.1)其中的(条件)概率p(1),p(2t1),p(un),…,p(mr1-)就是语言模型的参数,若这些参数已经全部算得,那么给定一个句子U1,就可以很快地算出相应的p(1)了看起来奷像很简单,是吧?但是,具体实现起来还是有点麻烦.例如.先来看看模型参数的个数.剛刚才是考虑一个给定的长度为T的句子,就需要计算T个参数.不妨假设语料库对应词典D的大小(即词汇量)为N,那么,如果考虑长度为T的任意句子,理论上就有M种可能.而每种可能都要计算T个参数,总共就需要计算TN7个参数.当然,这里只是简单估算,并没有考虑重复参数,但这个量级还是有蛮吓人.此外,这些概率计算好后,还得保存下来,因此,存储这些信息乜需要很大的內存开销此外,这些参数如何计算呢?常见的方法有n-gram模型、决策树、最大熵模型、最大熵马尔科夫模型、条件随机场、神经网络等方法,本文只讨论n-gram模型和神经网络两种方法.首先来看看 n-gram模型
- 2020-12-04下载
- 积分：1
