mirror of
https://github.com/cheetahlou/CategoryResourceRepost.git
synced 2025-09-27 05:36:42 +08:00
112 lines
9.7 KiB
Markdown
112 lines
9.7 KiB
Markdown
<audio id="audio" title="45丨求职简历中没有相关项目经验，怎么办？" controls="" preload="none"><source id="mp3" src="https://static001.geekbang.org/resource/audio/65/e4/655afbb6d162a027db4a724f0c3b0ee4.mp3"></audio>
|
||
|
||
上节课我讲到了如何培养数据分析思维，它是一个重要但不紧急的事。在工作求职中，你可能会遇到各种又重要又紧急的事，比如填写求职简历中的项目经验。
|
||
|
||
它的重要性在于，HR一般都会依据简历中的项目经验初步筛选候选人是否符合面试要求，紧急性在于求职找工作往往就是眼前的事，但简历中的项目经验又很难临时抱佛脚。项目经验一般没有弹性，一是一，二是二，一方面要保证真实性，是自己做过的项目，另一方面又很难在短时间内积攒这些经验。
|
||
|
||
如果没有项目经验，很多人就会感觉无从下手，这时候该怎么办呢？我自己面试过的技术人员少说也有上百人，我想以自己的经验做一些分享，在经验积累上和你分享以下三个需要注意的地方：
|
||
|
||
<li>
|
||
我们求职找工作的时候，要理解HR看项目经验的逻辑是什么？
|
||
</li>
|
||
<li>
|
||
明确要完善项目经验这个目标后，我们该如何快速定位要积累的内容，并通过实战和训练快速进行提升经验值？
|
||
</li>
|
||
<li>
|
||
如何在项目经验中融入自己的心得体会，让你的经验显得与众不同？
|
||
</li>
|
||
|
||
## HR看相关项目简历，背后的逻辑是什么
|
||
|
||
上篇文章中我讲到过，HR之所以要看相关的项目经验，是因为这些历史信息可以帮助他预估一个人相关的工作能力。
|
||
|
||
知识不等于项目经验，即使你对知识都了解了，在实际项目过程中，还是会遇到各种问题。比如工具包安装不上、中文编码错误、画图显示不出来、算法运行过慢、数据拟合结果不好等各种问题。项目经历相当于一种训练，当你得到了更好的训练之后，数据分析的模型能力也就会越强，然后在“新公司”这个测试集中，就越有可能发挥好的效果。
|
||
|
||
做过训练和没有训练的人是完全不同的。如果你没有相关的经验，那么你现在找的这份工作就好比是训练集一样，没有一个公司会把他们的项目当做是你练手的数据集。大家都期望你是已经训练好的模型，可以马上开展新的工作，并且产生价值。
|
||
|
||
所以在经验积累上，你要证明给HR，我做过这样的项目，具备这样的能力。
|
||
|
||
你可能想问，项目从哪里来呢？第一个肯定是以往类似的工作经历，第二个就是自己做过类似的项目。但是在简历中呈现数据分析的项目也是需要技巧的，简历不是流水账，你需要重点把当时的项目目标、采用的解决方案、实现的代码以及项目过程的总结体会拿给HR看。
|
||
|
||
这样，即使你没有相关的工作经历，如果你能通过专栏实战积累上面的4点，对HR来说也是有说服力的，这样总比一张白纸要强得多。要知道HR背后的逻辑是要通过简历证明你是已经被训练过的模型，可以上手工作了，而不是把新公司当成训练集。
|
||
|
||
## 如何完善简历里的项目经历
|
||
|
||
现在我们需要简历中有更多的项目经验。如果你跟着专栏从头到尾完整学习了，在爬虫、数据可视化、数据清洗和集成、数据挖掘算法、图像识别等多个维度进行了实战训练，那么恭喜你，实际上你已经具有数据分析相关的工作经验了。
|
||
|
||
这方面我来简单帮你总结下，梳理出一个项目简历的模板。但最根本的是，你需要自己跑一遍项目代码，完整了解项目目标和解决方案。只有这样，放到简历中的时候才会比较充实。
|
||
|
||
<li>
|
||
**乳腺癌检测：**采用SVM方法，对美国威斯康星州的乳腺癌诊断数据集进行分类，最终实现一个针对乳腺癌检测的分类器：[https://github.com/cystanford/breast_cancer_data](https://github.com/cystanford/breast_cancer_data)
|
||
</li>
|
||
<li>
|
||
**内容抓取：**通过Python爬虫对豆瓣电影中的电影数据和海报等信息进行抓取：[https://github.com/cystanford/pachong](https://github.com/cystanford/pachong)
|
||
</li>
|
||
<li>
|
||
**邮件数据分析**：通过PageRank算法分析邮件中的人物关系图谱，并针对邮件数量较大的情况筛选出重要的人物，进行绘制：[https://github.com/cystanford/PageRank](https://github.com/cystanford/PageRank)
|
||
</li>
|
||
<li>
|
||
**微博文档分类**：采用朴素贝叶斯的方法，对微博的内容进行分类，最终实现一个简单的文档分类器：[https://github.com/cystanford/text_classification](https://github.com/cystanford/text_classification)
|
||
</li>
|
||
<li>
|
||
**电影数据集关联规则挖掘**：采用Apriori算法，分析电影数据集中的导演和演员信息，从而发现导演和演员之间的频繁项集及关联规则：[https://github.com/cystanford/Apriori](https://github.com/cystanford/Apriori)
|
||
</li>
|
||
<li>
|
||
**歌词词云可视化**：动态抓取指定明星的歌曲列表，保存歌词文件，去除歌词中的常用词，并对歌词进行词云展示，分析歌曲的作词风格：[https://github.com/cystanford/word_cloud](https://github.com/cystanford/word_cloud)
|
||
</li>
|
||
<li>
|
||
**信用卡违约率分析**：针对台湾某银行信用卡的数据，构建一个分析信用卡违约率的分类器。采用Random Forest算法，信用卡违约率识别率在80%左右：[https://github.com/cystanford/credit_default](https://github.com/cystanford/credit_default)
|
||
</li>
|
||
<li>
|
||
**信用卡欺诈分析**：针对欧洲某银行信用卡交易数据，构建一个信用卡交易欺诈识别器。采用逻辑回归算法，通过数据可视化方式对混淆矩阵进行展示，统计模型的精确率，召回率和F1值，F1值为0.712，并绘制了精确率和召回率的曲线关系：[https://github.com/cystanford/credit_fraud](https://github.com/cystanford/credit_fraud)
|
||
</li>
|
||
<li>
|
||
**比特币走势分析**：分析2012年1月1日到2018年10月31日的比特币价格数据，并采用时间序列方法，构建自回归滑动平均模型（ARMA模型），预测未来8个月比特币的价格走势。预测结果表明比特币将在8个月内降低到4000美金左右，与实际比特币价格趋势吻合（实际最低降到4000美金以下）：[https://github.com/cystanford/bitcoin](https://github.com/cystanford/bitcoin)
|
||
</li>
|
||
|
||
## 不一样的项目经历和体会
|
||
|
||
上面我整理了9个项目简历的示例，如果认真学习专栏，并且坚持练习的话，那么不用愁相关的项目经验。如果你希望有不一样的项目经历，那么能融入自己的项目体会和总结的话，就会更好。
|
||
|
||
比如分析比特币走势这一篇文章中，我还提供了沪市指数的历史数据（从1990年12月19日到2019年2月28日），你完全可以采用ARMA模型自己跑一遍，然后整理出相关的经历。
|
||
|
||
再或者，我们对毛不易歌词进行词云分析的时候，你也可以分析其他的歌手，或者某个歌手的某张专辑的词云。模型方法是相同的，但不同的数据集出来的结果是不同的。
|
||
|
||
另外你也可以在项目实战中，融入自己的心得体会。比如在预测比特币走势这个项目中，我们对原始数据进行了降维，按月为粒度进行了统计，实际预测结果与按天进行统计的结果相差并不大，但是数据量降到了1/30，大大提升了效率。在这个过程中，你应该能体会到数据降维的作用。
|
||
|
||
在信用卡欺诈分析这个项目中，我们观察到数据集的分类样本是不平衡的，针对这种情况，我们到底该采用哪个评价标准呢？为什么采用准确率作为评价标准会有问题？有关这方面的经验总结你也可以简单做个说明，这样不光可以证明你具备这种项目的经验，也能证明针对这类的问题，你都找到了哪些规律。
|
||
|
||
总之自己的心得体会和总结能给项目经验加分不少。
|
||
|
||
## 总结
|
||
|
||
在专栏的讲解过程中，很多同学都反馈过他们正在找工作，但项目经历这块是自己的软肋。我们关键要弄明白HR招人背后的逻辑，把相关的训练经验总结下来写在简历中，最后拆解专栏的实战项目。
|
||
|
||
在这个过程中你需要：
|
||
|
||
<li>
|
||
了解每个实战项目的目标；
|
||
</li>
|
||
<li>
|
||
理解每个算法的原理；
|
||
</li>
|
||
<li>
|
||
跑一遍项目代码，将运行结果放到GitHub上；
|
||
</li>
|
||
<li>
|
||
做项目的心得总结。
|
||
</li>
|
||
|
||
当你自己把这些内容整理出来的时候，你发现自己会更有信心。简历的完善只是表象，实际上最重要的是自己的能力也得到了提升，这也是通过学习专栏，我希望你能收获的价值。
|
||
|
||
我在专栏里讲解了理论知识、工具方法和实战项目，希望你把专栏作为一个工具，带你走入数据科学的大门。掌握了这个工具之后，平时遇到问题的时候，你就可以用数据的视角来分析它，使用工具来做模拟，总结结果，进一步完善你的简历。
|
||
|
||
<img src="https://static001.geekbang.org/resource/image/d4/66/d48bc67969a70475a66fba58c68b3a66.png" alt=""><br>
|
||
我在专栏中讲解了理论知识，工具使用和实战项目，在Python爬虫、数据可视化和数据挖掘算法这三个部分中，除了专栏中讲解到的项目，你还做过哪些项目或者练习（采用相同的算法模型用于不同的数据集也可以），欢迎你分享一下。
|
||
|
||
另外，简历是最好的工作梳理，通过专栏的学习，你是否已经开始完善你的项目简历了呢，还有哪些地方是可以完善的？
|
||
|
||
欢迎你在评论区与我分享一下你的心得体会，也欢迎点击“请朋友读”，把这篇文章分享给你的朋友或者同事。
|
||
|
||
|