- 综合排序
- 最热优先
- 最新优先
- 来自专栏FunTester
11年软件测试，求职经验分享
软件测试领域 11 年，目前在一家企业担任测试主管，在这 11 年期间我总共经历了 4 份工作，这篇文章我依据整个求职过程从下面几点展开： 一、求职状态和心情 一）第一次求职 二）第二次求职 三）第三次求职 外包公司虽说不好，但也有可圈可点的地方： 1、外包公司的流程体系成熟，在这里掌握了比较扎实的软件测试基础知识； 2、外包公司接的项目多并且经常加班，在这里一年工作经验要顶别人三年。 3、刷面试经验 在牛客网搜索同类岗位相关面试经验，做好相对充分的面试前准备工作，以防止出现面试官随便问你一个问题你都需要陷入沉思。 第一次求职经历让我沉淀了扎实的软件测试基础， 第二次求职经历让我积累了互联网大厂工作的经验， 第三次求职经历让我有了从0-1搭建测试团队的经验， 第四次求职经历赋予了我初次做空降leader的体验。 二）体会 回顾这11年的4份工作经历，尤其是对前面3份工作中的表现不够满意，我觉得自己总是100分只做到了70分，没有拼尽全力地去工作，没有把工作当成一份事业来做。
36230编辑于 2023-08-04 - 来自专栏rainbowzhou的成长足迹
11年软件测试经历，求职经验分享
大家好，我是阿常，从事软件测试领域 11 年，目前在一家企业担任测试主管，在这 11 年期间我总共经历了 4 份工作，但有些遗憾的是，我居然连一次关于求职过程的复盘总结都没有写过。 外包公司虽说不好，但也有可圈可点的地方： 1、外包公司的流程体系成熟，在这里掌握了比较扎实的软件测试基础知识； 2、外包公司接的项目多并且经常加班，在这里一年工作经验要顶别人三年。 3、刷面试经验 在牛客网搜索同类岗位相关面试经验，做好相对充分的面试前准备工作，以防止出现面试官随便问你一个问题你都需要陷入沉思。 第一次求职经历让我沉淀了扎实的软件测试基础， 第二次求职经历让我积累了互联网大厂工作的经验， 第三次求职经历让我有了从0-1搭建测试团队的经验， 第四次求职经历赋予了我初次做空降leader的体验。 二）体会 回顾这11年的4份工作经历，阿常尤其是对前面3份工作中的表现不够满意，阿常觉得自己总是100分只做到了70分，没有拼尽全力地去工作，没有把工作当成一份事业来做。
46120编辑于 2023-05-11 - 来自专栏CSDN搜“看，未来”
C++编程经验（12）：C++11新特性
详情转：C++编程经验（9）：智能指针 – 裸指针管得了的我要管，裸指针管不了的我更要管！ C++编程经验（11）：std::function 和 bind绑定器，虽然在这一篇里面专门讲过了，但是感觉有点抽象，重新捋一下，不然我也不长记性呐。 C++11为了解决这个问题，提供了std::move()方法来将左值转换为右值，从而方便应用移动语义。move是将对象的状态或者所有权从一个对象转移到另一个对象，只是转义，没有内存拷贝。 容器的emplace成员 emplace操作是C++11新特性，新引入的的三个成员emplace_front、emplace 和 emplace_back。
1.5K20发布于 2021-10-09 - 来自专栏CSDN搜“看，未来”
C++编程经验（11）：std::function 和 bind绑定器
在前面C++集群的项目里面大量应用到了绑定器来做解耦操作，那么，绑定器到底是什么呢？有什么玄妙的地方嘞？
1.8K10发布于 2021-10-09 - 来自专栏量子位
Kaggle冠军冲顶经验分享：怎样11步搞定机器学习竞赛？
在接受Kaggle采访时，他分享了参赛的心得，也谈了不少机器学习竞赛的战斗经验。 量子位搬运过来，以下为采访译文： Q：你能介绍下你的个人信息和相关背景吗？ 我的专业是计算机科学，在软件开发方面拥有超过10年的经验。工作方面，我目前领导着一个为银行提供数据处理和分析解决方案的团队。 大学毕业后，我一直对使用数学方法编写程序来解决问题很感兴趣。 一般包括以下11部分： 1. 仔细阅读比赛介绍和数据描述； 2. 查找相似的Kaggle比赛。作为一个接触不久的Kaggler，我已经完成对所有Kaggle比赛基本分析的收集； 3. 模型集成； 11. 必要时返回到前面的某个步骤。 Q：你最偏向使用哪个机器学习算法？ 我会逐个来筛选算法，但我更喜欢在模型集成时使用一些简单算法，如岭回归（ridge regression）。 按照我的经验，我会在比赛中设计多个模型来探索这个问题的上限，然后从中选择一个在实际应用中可行的简单模型。我总会尽最大努力来向组织者提交一个简单模型，并在经验交流会中和他们进行讨论。
1.3K30发布于 2018-07-24 - 来自专栏测试开发社区
阿里双11：「线上全链路压测」完整经验分享
笔者以前只是一直听说全链路压测，但是并没有真正经历过，对全链路压测的理解也不是很全面，前年在互联网电商公司双11的时候参加过一次全链路的压测，当时全公司第一次做大范围的全链路压测，整个架构部也是第一次牵头来完成了整个全链路压测
2.1K21发布于 2021-05-18 - 来自专栏全栈开发日记
JDK8升级JDK11经验总结
引言 随着Java语言的不断演进，我们迎来了JDK 11的时代。JDK 11作为Java平台的一个重要版本，不仅引入了许多令人振奋的新特性，还对性能、安全性和模块化系统进行了关键的改进。 在这篇文章中，我们将深入探讨从JDK 8升级到JDK 11的过程，揭示升级的重要性以及带来的诸多益处。 为何要升级jdk11 升级 JDK 8 到 JDK 11 具有许多好处，这些方面涵盖了新特性、性能优化、安全性增强以及生态系统的健康。 在平台层面应该测试JDK11是否可运行，且JDK11的小版本要适合当前项目的规划 ，测试与生产服务器是否可以兼容JDK11部署问题，从而预知可能出现的问题。 升级过程 • 首先在环境上安装对应的JDK版本，通过测试类测试JDK11是否可运行 • 使用代码检查工具检测要升级的项目版本是否存在代码层面的错误（例如 ：jdeps等） • 检查项目依赖部分内容，在jdk11
1.3K20编辑于 2024-01-09 - 来自专栏我就是马云飞
优秀程序员写代码一定会用的 11 条经验！
因为作者向你保证，他“遇到的所有糟糕的代码，都是因为没采纳这些实践经验。而任何一段优秀的代码，都采纳了至少部分实践经验。” 还等什么？赶快看看这些经验就是什么吧？ 根据这些经验，再结合我读过的书，我认为编程中最重要的是：可读性。 可读性 表面上看来，可读性似乎很主观。不同语言、代码、和团队对于可读性的定义不尽相同。 最近几个月， 我在努力将这些人为因素提炼成11条写程序的实践经验，专门讨论如何增强可读性并降低复杂度。 我在BaseCode中写过这些详细内容，并将其应用到真实世界的代码片段中。 但我可以向你保证，我遇到的所有糟糕的代码都是因为没采纳这些实践经验。而任何一段优秀的代码都采纳了至少部分实践经验。 格式 我们在格式上消耗了太多精力。制表符还是空格，Allman还是K&R。 对称性 最后一条实践经验能给所有代码的可读性带来诗一般的润色，那就是对称性。这条来自Kent Beck的《实现模式》一书，书中说到： 代码中的对称性是说，同样的思想在任何地方都使用同样的实现。
44210发布于 2018-10-25 - 来自专栏CDA数据分析师
优秀程序员写代码一定会用的 11 条经验！
因为作者向你保证，他“遇到的所有糟糕的代码，都是因为没采纳这些实践经验。而任何一段优秀的代码，都采纳了至少部分实践经验。” 还等什么？赶快看看这些经验就是什么吧？ 根据这些经验，再结合我读过的书，我认为编程中最重要的是：可读性。 01 可读性 表面上看来，可读性似乎很主观。不同语言、代码、和团队对于可读性的定义不尽相同。 最近几个月， 我在努力将这些人为因素提炼成11条写程序的实践经验，专门讨论如何增强可读性并降低复杂度。 我在BaseCode中写过这些详细内容，并将其应用到真实世界的代码片段中。 但我可以向你保证，我遇到的所有糟糕的代码都是因为没采纳这些实践经验。而任何一段优秀的代码都采纳了至少部分实践经验。 02 格式 我们在格式上消耗了太多精力。制表符还是空格，Allman还是K&R。 11 对称性 最后一条实践经验能给所有代码的可读性带来诗一般的润色，那就是对称性。
41920发布于 2018-10-25 - 来自专栏芋道源码1024
优秀程序员写代码一定会用的 11 条经验
因为作者向你保证，他“遇到的所有糟糕的代码，都是因为没采纳这些实践经验。而任何一段优秀的代码，都采纳了至少部分实践经验。” 还等什么？赶快看看这些经验就是什么吧？ 根据这些经验，再结合我读过的书，我认为编程中最重要的是：# 可读性。# 可读性 表面上看来，可读性似乎很主观。不同语言、代码、和团队对于可读性的定义不尽相同。 最近几个月， 我在努力将这些人为因素提炼成11条写程序的实践经验，专门讨论如何增强可读性并降低复杂度。 我在BaseCode中写过这些详细内容，并将其应用到真实世界的代码片段中。 但我可以向你保证，我遇到的所有糟糕的代码都是因为没采纳这些实践经验。而任何一段优秀的代码都采纳了至少部分实践经验。 格式 我们在格式上消耗了太多精力。制表符还是空格，Allman还是K&R。 对称性 最后一条实践经验能给所有代码的可读性带来诗一般的润色，那就是对称性。这条来自Kent Beck的《实现模式》一书，书中说到： 代码中的对称性是说，同样的思想在任何地方都使用同样的实现。
66910发布于 2019-10-29 - 来自专栏数据科学与人工智能
【经验】数据挖掘的九个经验
我们可能预料到一些数据挖掘项目会失败，因为解决业务问题的模式并不存在于数据中，但是这与数据挖掘者的实践经验并不相关。 前文的阐述已经提到，这是因为：在一个与业务相关的数据集中总会发现一些有趣的东西，以至于即使一些期望的模式不能被发 现，但其他的一些有用的东西可能会被发现(这与数据挖掘者的实践经验是相关的);除非业务专家期望的模式存在 这与数据挖掘者的经验比前面的阐述更一致。 但是，数据挖掘者的经验不仅仅局限于客户关系管理问题，任何数据挖掘问题都会存在模式(Watkins的通用律)。
1.4K70发布于 2018-03-20 - 来自专栏后端技术
部署经验
在zk的conf目录中增加3个配置文件，名字分别为zoo1.cfg、zoo2.cfg和zoo3.cfg, 并按照教程填写内容.
47010发布于 2020-02-18 - 来自专栏服务化进程
springcloud经验
架构演化的步骤 在确定使用Spring Boot/Cloud这套技术栈进行微服务改造之前，先梳理平台的服务，对不同的服务进行分类，以确认演化的节奏。 先让团队熟悉Spring Boot技术，并且优先在基础服务上进行技术改造，推动改动后的项目投产上线 当团队熟悉Spring Boot之后，再推进使用Spring Cloud对原有的项目进行改造。 在进行微服务改造过程中，优先应用于新业务系统，前期可以只是少量的项目进行了微服务化改造，随着大家对技术的熟悉度增加，可以加快加大微服务改造的范围 传统项目和微服务项
69510发布于 2019-08-02 - 来自专栏全栈程序员必看
Winrunner经验
winrunner经验总结 1.1 脚本录制规范： 基本原则是录制脚本要分开、gui文件要合并、批调用回放验证、可移植回放验证。
1.1K20编辑于 2022-11-16 - 来自专栏牛客网
算法工程师：学习经验心得+求职经验算法学习与求职经验学习心得和经验 求职心得和经验
算法学习与求职经验 今天已经是11月初了，找工作的阶段已经进入尾声。 下面分享一下自己这两年的学习与近半年的求职路上的一些经验与心得，供后来人参考，不一定是最好的方法，但是大家可以借鉴一下，结合自身情况，找出最适合自己的方法。 以下的部分分为两个部分：学习与求职路上的心得和经验以及踩过的坑。 学习心得和经验 一、理论知识要扎实 既然是走算法之路，最基本的算法理论都必须要熟悉，最常见的要做到如数家珍。 求职心得和经验 一、关于每年3,4月份的实习 楼主在这个期间只投了阿里，在最后的HR面之后被挂。虽然没去实习，但是在这4-5场的面试中学习到很多。 所以推荐大家在3,4月份去投着试一试，虽然可能当时的能力达不到公司要求，但是可以去增长一下经验。 二、简历 简历最好一页，将最能代表自己能力的写清楚，最好简洁扼要。
1.5K60发布于 2018-04-28 - 来自专栏视觉求索无尽也
【总结经验】炼丹路上的坑与经验
戳我进入本文长期更新地址 训练的神经网络不工作？一文带你跨过这37个坑 深度学习这些坑你都遇到过吗？ 用Keras（后端是TensorFlow）跑一个epoch时报错：IOError: image file is truncated 解决办法： 在*.py文件最上方加入： from PIL import Image from PIL import ImageFile ImageFile.LOAD_TRUNCATED_IMAGES = True 用Sequential.fit_generator(
78930发布于 2018-09-13 - 来自专栏Java帮帮-微信公众号-技术文章全总结
【大牛经验】技术做产品的经验教训
教训一，产品策划经验为零 从产品策划开始，发现，作为一个执着于技术、自认为对各种软件应用都有广泛了解的自己而言，竟然没有一个可行的何种产品的想法，而第一想法却是，自己能想到的，似乎别人都做过了，而且有的还做的特别好 教训四，不考虑对方的理解范围 用户不是写代码的人，对于代码编写的方式以及成本并没有了解，用户的意见是围绕着自己的经验和认识范围形成的，所以，所看到的，所用到的直观体验等，都会反映出来。 开始，只要别人说自己那个地方的设计需要改动，心里还是觉得是别人不懂自己的设计，其实仔细想想，自己除了懂得编码，相关的设计，用户体验，产品策划等等的知识和经验就是零。
79250发布于 2018-03-15 - 来自专栏游戏开发之旅
Shader经验分享
经验模型。
2.7K40发布于 2019-12-03 - 来自专栏epoos.com
NODEJS开发经验
下面是开发过程中的一些经验以及遇到的一些问题。
1.6K10编辑于 2022-06-06 - 来自专栏视觉求索无尽也
【调参经验】图像分类模型的调参经验前言调参经验与我交流
前言 用深度学习做图像分类任务也有近一年时间了，从最初模型的准确率只有60%到后来调到有80%，再到最后的90%+的准确率，摸索中踩了很多坑，也总结出了一些经验。 现在将一些自己觉得非常实用的模型训练经验写下来作为记录，也方便后来者借鉴验证。 调参经验 模型选择 通常我会使用一个简单的CNN模型（这个模型一般包含5个卷积层）将数据扔进去训练跑出一个baseline，这一步工作主要是为了验证数据集的质量。 黏贴自己的部分源码 其他提示 具体任务不同可能某些经验不能适用，...........
2.5K20发布于 2018-12-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号