数据库DBA ,数据仓库与数据挖掘,JAVA软件开发工程师 我应该如何决择?

zwbhanye 2009-04-03 09:39:52
毕业两年。
做过C#+DIA+CSS。做了三个月。学校的时候学过C#,所以C#还算一般般。只是美工方面做不来。辞了。
接下来做了DELPHI,8个月,一直在维护一些没有数据字典,只有一点点简单的操作文档,没有地方问。DELPHI也搞的有点熟。
这两个工作都不是我想做的工作,然后被现在公司挖过来。感觉挺好。
本人现在的工作是数据仓库与数据挖掘,挖掘本来是两个人在做。他也是这方面的的菜鸟。不过比我强好多。昨天他决定要离开公司了。剩下我一个人,我不知道怎么去继续学习,怎么去承担他留下来的工作。最重要的不是这个原因你发些贴子。
一直以来我对数据库DBA有N大的兴趣,特别是数据库设计,数据库的性能调优方面,很吸引我。数据库开发还算挺好,数据设计也懂一点。只懂得一点基本的SQL优化。
然后又对JAVA程序开发充满了热情,充满了一种冲动。感觉想迷恋在JAVA的开发思想中。学过JAVA的语法,没真正的做过。不过经常看JAVA方面的知道,对JAVA各方面的知识有所了解,不深入。
现在数据挖掘也挺有意思,有挑战性。不过以后会是一个人,也许都拿不到项目了(没了他)。数据挖掘也有太多的东西要学,也值去学。

最后要的是,这三方面我总想抓住,现在每天,这边学一点,那边学一点。一心三用。我想这肯定不是办法。
三个我都N想抓住。非常想抓住。感觉自己陷入了追求技术的海洋中。
不知道自己该怎么办?不敢大家是什么鸟给个想法看看。
...全文
215 6 打赏 收藏 转发到动态 举报
写回复
用AI写文章
6 条回复
切换为时间正序
请发表友善的回复…
发表回复
zwbhanye 2009-04-12
  • 打赏
  • 举报
回复
[Quote=引用 5 楼 Dantin 的回复:]
就楼主这种跳来跳去的性格,数据库方面不适合你,还是从程序员开始吧!
[/Quote]

我跳来跳去?先就业再择业嘛。
难道1200的工资跟现在3K的工资比起来,你郁闷在那里吃不饱的地方干嘛。
只是觉得现在的工作更适合自己。我现在又没有说要跳~
Billy.Wang 2009-04-10
  • 打赏
  • 举报
回复
哪个方面都有很深入的内容需要学习,关键在于你的兴趣,只要坚持下来,都可能成为某方面的专家。
summily 2009-04-10
  • 打赏
  • 举报
回复
现在哪怕是学vb,学深入了一样nb
summily 2009-04-10
  • 打赏
  • 举报
回复
喜欢什么就做什么 想想你最喜欢的 到底是数据挖掘还是java还是dba
Dantin 2009-04-10
  • 打赏
  • 举报
回复
就楼主这种跳来跳去的性格,数据库方面不适合你,还是从程序员开始吧!
Little_qd 2009-04-03
  • 打赏
  • 举报
回复
越有深度的越持久
反之越现实
内容概要:本文围绕“阶梯碳下考虑P2G-CCS与供需灵活响应的IES优化调度”展开,基于Matlab平台构建综合能源系统(IES)在阶梯式碳交易机制下的优化调度模型。研究深度融合电制气(P2G)与碳捕集、利用与封存(CCS)技术,结合需求侧灵活响应机制,旨在提升系统的低碳运行能力与经济性。通过建立多能流耦合的优化模型,协调电力、天然气、热力等多种能源形式的协同调度,有效降低系统碳排放强度,并借助YALIMIP工具包调用求解器进行高效求解。文档提供了完整的代码实现、模型构建流程与结果分析方法,涵盖从问题建模到仿真实现的全过程,具备较强的可复现性与科研参考价值。; 适合人群:具备电力系统、能源系统或优化建模相关背景的研究生、高校教师及工程技术人员,尤其适合从事综合能源系统、碳减排策略、P2G与CCS技术集成研究的专业人员,需熟练掌握Matlab编程与基本的数学规划知识。; 使用场景及目标:①用于研究阶梯式碳交易政策下综合能源系统的低碳经济调度策略;②支撑P2G-CCS技术与需求响应机制在IES中的仿真集成与性能评估;③作为撰写高水平学术论文(如EI/SCI收录)的技术基础与复现资源,推动碳中和背景下能源系统优化方向的创新研究。; 阅读建议:建议结合百度网盘提供的完整代码与资料包,按照模块逐步调试程序,重点理解目标函数的设计逻辑、碳交易成本的建模方式、约束条件的数学表达及求解器的配置方法,同时关注多能耦合设备的建模细节,配合公众号“荔枝科研社”获取持续的技术支持与案例拓展。
内容概要:本文系统研究了基于卷积神经网络(CNN)与支持向量机(SVM)融合的CNN-SVM混合模型在数据分类预测中的应用,尤其聚焦于工业故障识别领域。通过Matlab平台实现,该方法首先利用CNN强大的多层次特征提取能力对原始输入数据进行深度特征学习,自动捕获关键局部模式与空间结构信息,随后将提取的高层特征作为输入传递至SVM分类器,借助SVM在高维空间中小样本条件下卓越的分类性能与泛化能力完成最终判别任务。文中详尽阐述了模型的整体架构设计、网络参数配置、训练优化流程及特征迁移机制,充分结合了深度学习在特征表达上的优势与传统机器学习在分类决策上的稳健性。实验部分通过实际故障数据集验证了该混合模型相较于单一CNN或SVM模型在分类准确率、鲁棒性和抗过拟合能力方面的显著提升,证明了其在复杂故障诊断任务中的有效性与先进性; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事故障诊断、模式识别、智能制造、电力系统监控或工业数据分析等相关领域的研究生、科研人员及工程技术开发者; 使用场景及目标:① 应用于旋转机械、电力设备、航空航天等领域的多类别故障识别与状态监测;② 掌握深度特征提取与传统分类器融合的技术路径,提升小样本、高噪声环境下数据分类的精度与可靠性;③ 为撰写高水平学术论文、开展科研项目或工程实践提供可复现的算法框架与完整代码支持; 阅读建议:读者应深入理解CNN与SVM的协同工作机制,重点分析特征提取层与分类层之间的接口设计,建议动手运行并调试所提供的Matlab代码,尝试在不同数据集上进行迁移实验与参数调优,以全面掌握该混合模型的应用技巧与优化策略。

23,404

社区成员

发帖
与我相关
我的任务
社区描述
Java 非技术区
社区管理员
  • 非技术区社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧