论当下面试对剑宗的不利因素

natineprince 2009-10-17 04:02:12
先论剑宗.
在下是个不折不扣的剑宗.
半路出家的人大概都像我这样吧.
基础知识不会太牢靠.
但是遇到问题的解决能力绝不在气宗之下.
皆因互联网时代里,资讯随手可得.
而剑宗有一个特点,用过的就会牢记于心(不知道其他同宗是否一样).
所以剑宗会慢慢拥有气宗的深厚内功.
但是,问题就出在,剑宗是遇到过的才会牢记于心.
气之源是来源于网上前人的经验或者其他知识源.(之少本人如此)

再论面试.
当下面试之形式.
必先笔试.
再则面谈.
凡笔试者,多为基础知识.
这正中剑宗软肋.
夫JAVA者,博大而精深.
工作繁忙的剑宗可能因为没有找到深渊中的一根刺而悔恨不已.
我们不比别人差,只是我们内力还不够深厚.
这是一个自我完善的过程.
但也是一个人才流失的过程.

剑宗不强么?
不见得.
剑宗的特点是遇强俞强.
他们的应用能力绝对是当世的绞绞者.
但是只因内力不足而先失一个永不回头的局.
可恨啊!

难道面试是为气宗而设的?
还请更多的朋友抒发自己的看法~
...全文
418 25 打赏 收藏 举报
写回复
用AI写文章
25 条回复
切换为时间正序
请发表友善的回复…
发表回复
natineprince 2009-10-21
  • 打赏
  • 举报
回复
能以气御剑却不能攻敌必救之处则是无为吧.
xietingyan 2009-10-21
  • 打赏
  • 举报
回复
有气才能御剑......
natineprince 2009-10-21
  • 打赏
  • 举报
回复
剑宗注重实践,从实战,经验然后再逐步的掌握一些理论。

武学之路,殊途同归,只是走的难易对个人不同啊.
临远 2009-10-20
  • 打赏
  • 举报
回复
啥是剑宗?
基础知识不牢就是剑宗了?
leafsoar 2009-10-20
  • 打赏
  • 举报
回复
我由剑宗入门,至于有没有向气宗发展就不得而知了
zlllyk110 2009-10-19
  • 打赏
  • 举报
回复
剑宗的应用能力确实很强,但是气宗对于性能上的精致算法也是不可小觑的。
我是剑宗出身,LZ的气愤我身有同感。
GinMe 2009-10-19
  • 打赏
  • 举报
回复
有趣顶顶
junjun1984 2009-10-19
  • 打赏
  • 举报
回复
[Quote=引用 2 楼 wdz567 的回复:]
剑宗难熬啊
不过工作起来大部分剑宗都比较轻松。
但面试很难。。。。动辄一些基础算法,搞的头都要大
[/Quote]
额.........
natineprince 2009-10-19
  • 打赏
  • 举报
回复
[Quote=引用 10 楼 bao110908 的回复:]
不懂啥叫剑宗、气宗的

引用 4 楼 ziplj 的回复:
一小撮不明真相的群众路过

[/Quote]
这是另一个推荐讨论贴提及到的.很形象也很生动的概念:
我个人的看法简单的说, 
气宗注重基础,从算法,理论,思想,慢慢的转到应用。
剑宗注重实践,从实战,经验然后再逐步的掌握一些理论。

虽然这2种不能绝对的划分,但其实大学里肯定是气宗,而各种培训学校肯定是剑宗。

大家发表一下自己的看法吧!

http://topic.csdn.net/u/20090927/13/72dbbaa9-c4d3-4f59-8b2b-4f756004bb96.html?96583
natineprince 2009-10-19
  • 打赏
  • 举报
回复
基础编程逻辑都不会的他能学到"气宗"?

我5楼说的气宗是招人的人.绝对是已入门的.
但是绝对不是做开发的.他们是领导!
第二.只能说基本编程逻辑.
气宗似乎连这个简单的循环标志都不会考究.
只会谈些啥2叉树的.
但实际应用呢?
我们可能不大记得2叉树的定义.
但是我们会知道怎么去用好2叉树.
这就是所谓的剑气之别.
虽然这不是不可逾越的.
但在那个时刻却是不可逾越的!
adaikiss 2009-10-19
  • 打赏
  • 举报
回复
[Quote=引用 5 楼 natineprince 的回复:]
引用 1 楼 sunjinyujeep 的回复:
人事面试官多为气宗,因为他们通过和你的几次较量要了解你的本质。

但是通常第一回合就会给刷下来.
就没有后面的过招了.

我们公司里招人的也是些气宗.
于是招进来的人.
也是很多连基础的编程逻辑也不会的.(例如设置循环标志)
当时我很困惑呢.
[/Quote]
楼主拿一部分没入门的"气宗"说事有啥用心?
你有见过武侠里不用练招式就能练得一身深厚内力的吗?除非是外来的.武侠里可以别人传功给你,现在也可以给你大脑里装芯片.
基础编程逻辑都不会的他能学到"气宗"?
当下小公司面试是对剑宗有利,大公司是对气宗有利.
Bot制造师 2009-10-18
  • 打赏
  • 举报
回复
剑宗气宗的。。。哪头都要抓才是真事!
natineprince 2009-10-18
  • 打赏
  • 举报
回复
[Quote=引用 6 楼 fldsh18 的回复:]
把面试也当作练招的机会,既然是基础的,需要的基础也就那样,何惧须有?
[/Quote]
所以说
这是一个自我完善的过程.
但也是一个人才流失的过程.
anttu 2009-10-18
  • 打赏
  • 举报
回复
[Quote=引用 2 楼 wdz567 的回复:]
剑宗难熬啊
不过工作起来大部分剑宗都比较轻松。
但面试很难。。。。动辄一些基础算法,搞的头都要大
[/Quote]up
haojia0716 2009-10-18
  • 打赏
  • 举报
回复
今天天气好晴朗 处处好风光 好风光
鲜为人知 2009-10-18
  • 打赏
  • 举报
回复
这是我看到第二篇气宗剑宗的帖子里。

同样的感兴趣,顶。

老张-AI 2009-10-18
  • 打赏
  • 举报
回复
MARK
welling007 2009-10-18
  • 打赏
  • 举报
回复
有这种什么宗什么宗的说法的吗?第一次听说.
  • 打赏
  • 举报
回复
不懂啥叫剑宗、气宗的

[Quote=引用 4 楼 ziplj 的回复:]
一小撮不明真相的群众路过
[/Quote]
fldsh18 2009-10-17
  • 打赏
  • 举报
回复
把面试也当作练招的机会,既然是基础的,需要的基础也就那样,何惧须有?
加载更多回复(5)
内容概要:本文围绕基于物理场的动态模式分解(piDMD)展开研究,重点探讨其在流体力学、热传导及多物理耦合系统中的建模与应用。通过Matlab代码实现,将传统的动态模式分解(DMD)方法与物理场控制方程相结合,引入物理约束以增强数据驱动模型的物理一致性,从而提升对复杂非线性系统的模态提取精度与长期预测能力。文章系统阐述了piDMD的理论基础、数学推导过程与算法实现步骤,并结合典型物理场仿真案例(如Navier-Stokes方程驱动的流场演化)进行验证,展示了其在降阶建模、主导模态识别和时空动态可视化方面的优越性能,适用于高维、强耦合、非平稳系统的分析与优化。; 适合人群:具备一定数值计算、流体力学、控制理论或数据驱动建模背景,熟悉Matlab编程与线性代数运算,从事科学研究、工程仿真或系统辨识工作的研究生、科研人员及工程师。; 使用场景及目标:①实现对流场、温度场等物理场的高效降阶建模与动态行为预测;②提取符合物理规律的关键模态,用于系统稳定性分析与控制设计;③支撑复杂系统的状态估计、异常检测与优化调控等下游任务。; 阅读建议:建议读者结合提供的Matlab代码逐行调试与运行,深入理解piDMD算法中物理约束的嵌入方式及其对模态质量的影响,同时可尝试将其迁移至其他偏微分方程描述的物理系统中进行拓展验证与应用。
内容概要:本文研究了在峰谷分时电价引导下,基于多目标优化遗传算法NSGA-II的电动汽车充电负荷优化问题。通过构建以电网负荷波动最小化和用户充电成本最低为核心的多目标优化模型,利用NSGA-II算法求解获得帕累托最优解集,实现对大规模电动汽车充电行为的有序引导。文中系统阐述了峰谷电价激励机制的设计原理、电动汽车充电负荷的数学建模方法、多目标优化问题的形式化表达以及NSGA-II算法的具体实现流程,并借助Matlab平台进行仿真验证,结果表明该策略能有效平抑电网负荷峰谷差、降低用户充电支出并提升电力系统的运行效率与稳定性。; 适合人群:具备一定电力系统基础知识和Matlab编程能力,从事智能电网、电动汽车调度、需求侧管理等相关领域的研究生或科研人员。; 使用场景及目标:①研究峰谷电价政策对电动汽车充电行为的影响机制;②掌握NSGA-II算法在电力系统多目标优化中的具体应用;③实现电动汽车集群的有序充电调度以改善电网负荷曲线; 阅读建议:此资源结合了电力经济学与智能优化算法,建议读者在学习过程中重点关注模型构建与算法实现的衔接部分,动手复现仿真代码以深入理解参数设置与结果分析过程。
详情可查看下方数据集可视化效果。 【数据集概况】 · 检测类别(中文):[电梯(elevator)] · 训练集:1468 张 · 验证集:157 张 · 测试集:158 张 · 总计:1783 张 该数据集聚焦于各类建筑内部及外部环境中的电梯目标检测任务,涵盖住宅楼、办公楼、商场、酒店等多种典型场景下的电梯结构。图像采集覆盖不同光照条件、材质类型与安装位置,充分体现了实际应用中电梯的多样性与复杂性,为智能楼宇管理、安防监控及无障碍设施识别等方向提供了高质量的视觉基础支持。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 72 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9446** mAP50-95 | 0.6531 Precision | 0.9305 Recall | 0.8777 train/box_loss | 0.5807 train/cls_loss | 0.3505 val/box_loss | 1.0020 val/cls_loss | 0.6208 【训练过程分析】 72 轮训练后 mAP50 达到 0.9446,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.6531,和 mAP50 差距 0.29,定位精度仍有优化空间。 【模型性能评估】 Precision 0.9305、Recall 0.8777,精度高于召回,存在一定漏检。 【预测效果展示】 验证集预测效果较好,检测框基本准确覆盖电梯,置信度整体偏高。 【改进建议】 1. 丰富场景...

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