我在美国的一家技术公司工作了将近六年。
在这六年中，我是一名刚从学校毕业的研究生。经过许多大型项目之后开yun体育app官网网页登录入口，我已经从普通电子工程师转到了公司研究部的研究工程师。在此期间，我的技术水平受过大量培训和扩展。在此期间，我的沟通和表达水平也得到了很大改善。我的情商和人际交往能力是通过公司提供的培训课程实现的，我自己的实践也在稳定和计划的方式进步。
爱因斯坦曾经说过：
随着我们知识的圈子的扩大，我们面临的未知周长也会随之而来。
随着技术水平的提高，我发现我需要越来越多的地方扩展和挖掘技术。随着我在公司工作的多年增加，我必须承担越来越多的责任，我需要相应地学习。还有越来越多的一般技能。作为一种实践，我将在这里描述我的工作场所进步计划。
专业技能
我是数字信号处理（DSP）算法工程师。在我的公司中，我主要负责数字信号处理的算法设计和验证，现有产品算法的维护和性能改进以及新产品和新算法的研究和设计。在我的研究生研究中，我的研究方向是数字图像处理（DIP）和模式识别。最初，当我毕业时，我想找到与数字图像处理相关的工作，但是偶然，我找到了当前的公司，并开始从事与信号处理有关的工作。
尽管数字图像处理的本质也是数字信号处理，但特定算法的设计和应用仍存在巨大差异，这导致我的持续学习，以便尽快整合到我的工作要求中。随着时间的流逝，不断学习的习惯就会发展出来。我认为我应该在接下来的一两年中充分理解或充分理解以下技术，以便在考虑将来的技术发展的同时，保持核心技术的竞争力。
数字信号处理
数字信号处理实际上是所有平台的本质。无论是语音，视频，光波还是雷达波，如果您想通过计算机处理，都需要通过模数转换器将其转换为数字信号。然后，对数字信号处理的本质以及相应的算法和例程的深刻理解是以DSP工程师为生的基本技能。
我在研究生学习期间使用的教科书是John G. Proakis的数字信号处理（第四版）。由于它是一本教科书，因此必须兼容并且具有非常详细且清晰的理论描述。但是它的问题也与此有关，这意味着本书作为参考书非常好，您可以随时检查相关的理论和信息。但是，作为DSP工程师，必须仅拥有一个坚实的理论基础，但还不够。
在数字信号处理领域，通过MATLAB以及算法原型设计的模拟是常见方法和方法。然后学习和练习MATLAB编程方法和技术，并将它们应用于数字信号处理的基本理论，这是DSP工程的特殊技能。 Python语言最近非常受欢迎，甚至超过了Matlab的众人瞩目，Matlab也是脚本语言。但是，在数字信号处理领域，MATLAB仍然是许多公司采用的第一个工具，这也是我过去六年来一直使用的工具。简单的工具。在我以前的研究中，Vinay K. Ingle使用MATLAB的数字信号处理是一本很棒的书，结合了经典理论和特定的代码应用。我曾经跟随这本书，将所有代码打字的所有书籍都放置，这是非常有意义的。
此外，强烈建议有几本书用于数字信号处理：
史蒂文·史密斯（Steven Smith） - 数字信号处理：工程师和科学家的实用指南
理查德·里昂（Richard G. Lyons） - 了解数字信号处理
Alan V. Oppenheim-“ Oppenheim：离散信号过程”
数字信号处理的理论非常经典，并且在很长一段时间内不会发生太大变化。不断巩固自己的信号处理知识实际上是从业者培训自己的内部技能或健身爱好。该人正在训练他的核心力量。作为信号处理领域的实践者，我要做的就是不断巩固基础，并结合MATLAB以通过代码冷静地实施理论，然后结合项目中的特定应用程序以充分证明项目中的这些理论。
传感器应用
近年来，随着物联网（IoT）的迅速增长以及特斯拉等自动驾驶汽车公司的迅速崛起，传感器的应用变得非常重要。通常，我们每天都处理无数传感器：无处不在的相机，一个光学传感器；最新的iPhone X使用近红外DOT矩阵投影技术，这也是光学传感器。在电话上，还有各种传感器，例如距离传感器，陀螺仪，磁力仪，加速度传感器等。车。如果数字信号处理系统是大脑，则各种传感器都是眼睛和耳朵。
我很幸运，当我获得学士学位时，我专注于数字图像处理算法。在研究生院阶段，我与LIDAR接触，并设计了一些算法和应用，以融合图像数据和LiDAR数据。在我的研究生工作中，我完全沉浸在与无线电波雷达有关的信号处理和算法设计中。总体而言，我已经拥有自动驾驶汽车所需的光学相机 +无线电雷达 +激光雷达的相关知识和技能，而且我对自动驾驶汽车的传感器应用非常感兴趣。
因此，我接下来需要做的是要深入了解和练习这些传感器在自动驾驶场景中的应用，以便我的经验和认知可以跟上行业技术的发展；而且我不擅长设计这些传感器，我需要改进的是数据。由于每单位时间大量数据的到来，集成的能力如何更好地集成这些数据并使算法设计具有低误差检测率是核心技能。
在谈论传感器数据处理时，我们必须提及卡尔曼过滤技术。由于传感器始终包含噪声和不完整的精度，因此获得有效的系统状态估计和参数值估计非常重要。卡尔曼过滤器是一种高效递归滤波器。它的主要目的是通过处理包含噪声的输入数据，并估算系统的先前状态和当前观察值来动态估计系统的内部参数。下一刻可能的观察。我真的很喜欢研究Kalman过滤和各种非线性变体以及特定的项目应用程序，因为我认为这是理论模型和现实应用的完美组合，也是算法设计的最终目标。 Paul Zarchan的Kalman Feltering基本面是Kalman过滤的经典作品，并配备了详细的MATLAB源代码。如果您对Python更感兴趣，则可以在Github上关注Roger R. Labbe的“ Python的Kalman和Bayesian过滤器”。我认为他对卡尔曼过滤的解释非常容易理解。它适合初学者从基本概念开始，然后从浅层到深处。进行学习。我正在研究的两本书都应该学习并应用于终身学习和应用以及数字信号处理书籍。
机器学习/深度学习
自2012年左右以来，Ng Andy Wu教授通过大规模的分布式群集计算机在Google大脑部门开发了超大规模的神经网络，以允许计算机自动学习识别猫。自该项目开始以来，最近几天一直以深度学习为代表的人工智能应用程序。它在一年中发展迅速。在此期间，诸如MegVII技术和Sensetime之类的视觉人工智能公司出生在中国，以及诸如Cambrian和Senjian Technology之类的深度学习芯片公司。 Baidu通过深度学习在数据智能，语音图像识别和自动驾驶汽车领域取得了巨大的技术进步，如阿里巴巴和腾讯等传统的大型技术公司。
实际上，每个人谈论最多的深度学习只是机器学习领域的一个小分支：深度学习是基于神经网络，并且通过多级神经元结构的非线性组合，数据是从浅层到浅的深的。多级抽象算法。机器学习分为三个主要方向：监督学习，无监督的学习和增强的学习。现在，最广泛的深度学习属于机器学习中的监督学习。也就是说，我们需要向深度学习模型提供大量标记的实际数据，然后通过建立模型以及模型结果的对与错的目标。功能设计和优化，以持续改进整个深度学习系统。
CS231N视觉识别的卷积神经网络
在2017年，我花了很多时间学习深度学习和机器学习的基础知识。总的来说，我获得了很多。我主要通过学习形成了机器学习心态。我主要通过斯坦福大学的两个开放课程进行研究：NG教授的“ CS229：机器学习”和Fei-Fei Li教授的“ CS231N：卷积神经网络，用于视觉识别卷积神经网络”。前者主要解释并描述了诸如线性回归，支持向量机，混合高斯EM算法，主要成分分析和其他经典机器学习中的其他算法等算法，而后者则侧重于用于图像识别，分割和分析的卷积神经网络。在应用程序上。这两个课程是如此经典，以至于我学到了两次以上，并且我通过NG教授的解释推导了机器学习课程中的每个公式，而且我获得了很多收益。
当涉及深度学习时，我们必须提及现在各种流行的软件框架：经典咖啡，流行的Tensorflow，Pytorch等。我现在的主要任务是建立机器学习和深度学习的基本知识，然后做一些我的一些通过Tensorflow框架拥有小型项目，从而开放了理论与实践之间的联系。这样，在将来的某个时候，也许我可以通过培训我设计的小型项目所需的深度学习从业者所需的能力，并为我的未来发展开辟了道路。
嵌入式平台/并行处理平台
当我的本科学位时，我通过电子设计竞赛与Lingyang的微控制器接触。当我上研究生院时，我通过我选择的电子系统设计课程与FPGA和Verilog硬件说明语言接触；现在，通过了解深度学习，我知道GPU在深度学习及其重要性中的大规模应用。简而言之，嵌入式平台和并行处理平台的理解和应用现在非常重要。
我研究并使用了以下平台：
微控制器/嵌入式：
KST-51微控制器开发委员会：适用于微控制器的入门，并且支持教程非常好
Wei Dongshan JZ2440：老师Wei Dongshan的开发委员会致力于支持经典驾驶员写作教程
Odroid-XU4：三星Exynos5422处理器，6核CPU和Mali-T628GPU，非常强大的性能
FPGA：
Digilent Nexys 2 Sprtan-3E FPGA训练板：Xilinx Classic Spartan-3E系列FPGA
Milink Miz702n：学习Xilinx Zynq Soc的出色硬件平台
Xiaomei GE AC620：支持教程非常好
Crazybingo的VIP_Board：图像处理算法的FPGA实现是唯一的
GPU：
NVIDIA GTX 1080：NVIDIA 10系列图形卡，必须进行深度学习训练的必备
NVIDIA JETSON TX2：NVIDIA的GPU嵌入式平台，非常适合诸如无人机，机器人，自动驾驶汽车等应用。
Jetson TX2模块和开发板
近年来，通过这些平台的学习和实践，我对每个系统都有很多了解。我认为将来，FPGA和GPU将是应用程序的主要战场，因此我应该专注于学习和练习它们。对于FPGA，我现在正在研究一个小型图像获取的小型项目，并由我自己设计的摄像机，SDRAM，FPGA和VGA等显示器，使自己可以弄清此数据路径，同时巩固我对FPGA设计的理解过程。关于GPU，在讨论深度学习时，我指出，我将设计一些图像识别项目，在建立数据库后，我将通过TensorFlow框架训练GPU上的网络。同时，我还需要通过软件和硬件的完美组合来学习GPU架构和硬件结构以及NVIDIA的CUDA平台，数据处理速度更快，更有效。 Tolga Soyata的“使用CUDA的GPU平行计划开发”是一本非常有趣的书。尽管标题是GPU编程，但它始于CPU多线程，结合了特定的情况和代码以更深入，使我可以完成阅读。在那之后我有了很多钱。
总结
我仍然记得当我第一次进入大学时，我们电子信息工程学院的院长在新生会议上说：
将来，您将在“ IT行业”中从事的内容，这是“踢行业”的同质，这意味着您必须继续前进，否则您将被后来的人踢。
当然，这是一个玩笑，但它也揭示了电子行业的实践者的现实：我必须不断地丰富自己的技术，不断扩大我的技术和能力的界限，并不断扩大我的技术视野的更广泛水平kaiyun全站网页版登录，这样我只能在激烈的竞争中站稳脚跟并继续前进。
我希望上面出现的书籍和材料对您有用。
一般技能
在当前的工作场所，拥有丰富的专业技能是不够的。有必要与相应的一般技能合作，以不断提高您在公司中的地位。至少不可能使时间过去和时间的进步。我正处于被淘汰的边缘。下面，我想与您谈谈过去几年我经历和学到的一些一般技能，以及我对未来如何继续学习和运用这些技能的一些看法，我希望这对您有用。
来自unsplash.com的图像
管理技能
随着公司的工作时间继续增加，公司将对我们有更高的要求，最重要的要求是执行某些管理任务。无论是工程项目的流程设计和管理还是项目主管的进度管理，它们都是我们改善公司影响力的有效方法。此外，通过提高这些管理技能，我们相应的工作福利也将得到改善。 。我公司的首席执行官曾经说过，尽管工作年份也是一个指标，但雇员的薪水主要根据员工影响力的规模进行调整。如果您是同一服务水平的雇员，那么从事管理职位的人将获得比从事工程项目的人的薪水20％至30％，因为他们比熟练的人更熟练角落和独自工作的员工在管理职位上。因为我们已经联系了公司中的更多人并承担了公司写作网络的更大责任，所以我们将对公司产生相对较大的影响。
此外，管理技能是一种非常有益和普遍的技能，在离开现有工作后可以快速应用于下一份工作。从本质上讲，管理层也正在解决问题，但与工程解决方案不同，它与算法，数学，代码等不同，管理层解决了诸如过程，进度，人力，知识等问题等问题。通常相对抽象，有时没有标准答案。因此，它需要足够的思考，改变旧的想法，甚至颠覆工程师家族的工作方法和价值观。因为工程学的目的是实现目标结果，但是由于工程师作为个人贡献者面临的非人类元素，例如代码，电路，数学等，因此具有线性或机器思维可以有效地完成IT并实现目标。但是，作为经理，您需要面对个人，每个人都有自己的特征和脾气。然后，具有原始线性和机器思维的工程师无法完成管理的效果很好，但是必须使用思考转换是通过跳出原始舒适区来实现的。但是，一旦我们脱离了舒适区，完成管理方法的积累和实践的积累，并充分利用工程师的特征善于学习，我们会发现管理技能将扩散到工作的许多方面生活，使我们的职业生涯的职业宽度得到了扩大，您可以选择更多。
作为我本人，学习和实践管理方法是我现在真正想在公司中做的事情。毕竟，我在公司工作了将近六年，并且对我手头的工作有深刻的理解和想法。因此，我加入该小组并一起从事项目的新同事是我管理方法实践的对象。碰巧我需要进行一个新项目的研究小组，需要一名经验丰富的工程师来带领一名新工程师加入腰带和道路上的小组，因此我自愿接管了该项目。在这四个月中，我深入意识到项目管理和项目工作之间的巨大差异，还学会了非常有价值的第一手管理经验。
在这些经验中，我认为最有效的是情境领导。该理论的研究在公司向员工提供的培训课程中进行了解释。当我第一次听课时，我嘲笑了这些理论，并认为它们对我没有意义。但是在实际应用中，我发现这些理论非常重要和有效。因为一旦我们进入经理的角色，我们需要面对的是具有不同工作意图和能力的员工和同事，因此在采用管理方法时，我们应该专注于他们。
图片来自网
从上图来看，我们可以看到员工可以根据其不同的工作意图和工作能力分为四种类型：
热情的初学者D1：缺乏工作能力，但有非常强烈的工作渴望
长期幻灭D2：工作能力的学习者有所提高，但由于工作挫折，他们的工作意愿下降了
一个胜任但谨慎的执行者D3：工作能力将得到进一步提高，但工作意愿会波动
独立完成者D4：工作能力和工作意愿非常高
图片来自网
通过分析和分类员工特征，我们可以在管理正确管理员工并帮助他们完成工作时选择相应的方法。例如，对于D1和D2中的员工，我们需要通过更多的指导行为来管理他们；对于D3和D4中的员工，我们需要通过更多的支持行为来管理他们。
根据我的经验，我管理的项目中的同事刚刚进入了研究小组，因此他们有很强的工作意愿，但是他们的工作能力似乎相对缺乏，因为他们只是进入了该小组。这样，我需要在D1和D2阶段对我的同事采取高度指导的行为，并协助相应的支持行为。具体的方法是每天举行项目进度会议，通过会议，我们将了解项目成员是否遇到困难。如果是这样，我们将合作并帮助面对面，最后给予一定的鼓励和动力。我还需要了解每个成员的特定工作内容，甚至需要指定代码，以便我可以提供具体的指导。最后，我们很好地完成了该项目，并受到了管理层的称赞。
在积累技术后，管理是技术人员斗争的下一个阶段。我将继续学习新的管理理论，并继续在实际工作中练习，吸收更多的管理经验，扩大我的管理水平，并使我的职业更多的可能性。
语音/写作技巧
来自unsplash.com的图像
我有一个巴基斯坦同事，他的演讲和演讲很好，可以很好地报道他的作品，甚至可以在蛋糕上增加糖霜以增加他的作品。因此，如何提高我的口语能力是我需要考虑的实际事情。
总的来说，我认为我可以从以下两个方面练习和提高我的口语技能：
先前的方法更多是关于改善“技能”，这主要反映在演讲过程中的表演中。后一种方法更多的是练习“陶”，这主要反映在材料制备的深度中。两者都是必不可少的kaiyun.ccm，因为我们的口语技能可能很高，我们可以向天空吹嘘一件非常普通的事物，但是从本质上讲，这对公司解决了实践问题并不是建设性的（尽管这可能有助于个人促进）；相反，如果只有一个非常好的解决方案，没有生动，详尽且易于理解的解释，并且只能默默传达基本事实，那么对于那些听那些听人的人来说，这也将是一种无形的酷刑 报告。
那么，我们应该如何练习演讲的“技能”呢？在这个问题上，我认为没有捷径：我们可以练习更多的事情，以使自己对演讲的内容非常熟悉；如果我们不能当场表演，请提前将演讲内容写入手稿中，以便我们可以确认要说的话，然后将其用作纠正和练习的核心；最后，不断地重复一遍，保持遵循演讲内容的仔细思考，让自己在发表演讲之前进入这样的思维状态，以便在演讲当天可以实现自己的最佳状况。
这是我自己的例子。我仍然记得，当我六年前捍卫毕业生毕业时，我需要准备一个小时的演讲来总结我三年的研究生院工作。当时，我的PPT有近100页，我想展示很多特定的内容。该怎么办？我只能咬牙，写我想在纸上说的话，然后让自己继续阅读，记忆和熟悉自己。但是，仅在我的脑海中重复一遍是不够的，所以我把妻子当作听众在家中，从头到尾练习七八次。最后的防守是我表现最好的时候。演讲在一口气中非常顺利。最后，我的训练是最终进行的，我为成功完成毕业防守的完成了。在那之后，我知道演讲也是一种表演，只要您练习并做好准备，那绝对不会很糟糕。
那么写作的意思是什么？
来自unsplash.com的图像
我已经在互联网上写了一段时间。尽管我没有发表很多文章，但我在没有意识到的情况下写了超过50,000个单词。现在有许多有关写入货币化的文章，例如“通过每月写作”等。这些文章更引人注目，并帮助更多的人开始写作过程。毕竟，材料刺激是最直接和最有效的。但是我认为，完成财务自由或通过写作获得某些财务收入是写作的副产品。如果您在写作后将主要能量放在他人的赞美和奖励上，则涉嫌将购物车放在马匹之前。
我认为写作的含义是：
通过阐明您对事物的想法来解决问题。
你怎么理解我说的话？曾经在“ lu ji siwei”中有一句话：
我们现在熟悉的许多概念和组织形式，返回特定的时间和空间，都是解决某个问题的出色发明。
许多看似晦涩难以理解的书籍现在被编写为在写作时代的理论或应用问题上，而不是在没有任何理由写书的时候抱怨。因此，对于当今我们来说，写作的含义是实施生活和思想中复杂的事物，这些事物在纸上和计算机上以单词的形式没有任何线索。这样，有三个好处：
基于这些好处，我们有独立思维的我们可以更有效地实践我们的口语技能。最后，我们的文章可能会给我们带来一些重大好处，因为它们对他人很有用。但是，与我们的个人成长相比，这个好处很小，对吗？
总结
在本文中，我总结了我作为电子工程师技术和一般技能的一些想法，以不断提高和扩大我职业生涯的更多可能性。希望它能激发您的灵感！
