2022 年-Q2

Posted 2023-04-02 居十四

2022 年-Q2

上篇文章： 2022-05-18 22:18:29

现在： 2022 年 8 月 13 日

已经有 3 个月没有更新了。

这三个月经历很多的变化，心态一直在调整中。
现在状态比较稳定了。因此做一些总结，想着为下半年做新的规划。

经历了什么

4 月份，进入了新的公司。
区块链相关，算是一家行业内头部的公司吧。

去新公司的原因，是看中了薪资待遇和可以允许远程办公。
公司拥有较大的用户量，可以去体验高并发等接触较少的应用场景。

憧憬着可以接触到行业的尖端知识，能够有一番作为。

刚刚进入做得都是一些比较基础的内容。并不复杂，和之前工作内容类似。
期望着可以在 6 个月后，做到比较核心的内容。

但是事情往往不想预期那般顺利，也经历了一些转折。

从 4 月急招，到 8 月大规模裁员。行业上的动荡，导致了公司的决策。

值得庆幸的是，裁员没有裁到我的头上。但也使得我的危机感空前。
安全感比较低。还是要加强对技术的学习，保持自己的竞争力。

此外，我也转换了 team，技术栈也随之改变。

原本是 ruby on rails，现在改为了 elixir.
换成了一个更为小众的语言，它是函数式编程语言，基于 erlang 虚拟机的。

远程办公怎么样

working from home.

想象中是比较爽的，实际上是非常爽的。

因为不需要去公司办公，生活的地点就不再有限制。
所以，回村里了。省去了北京的房租钱，吃饭的成本降低了 50%左右。

同时，没有通勤的需要，不用挤公交，地铁了。省去的时间可以做一些其它事情。

工作时间比较固定，早九晚六，一般不加班。
有了一些时间，养了一条小金毛，取名为毛毛。现在 3 个月了，小母狗，12 斤了。

但是，也需要自己多一些掌控自己时间的定力。
需要对自己的时间有一些规划。不能天天下班就玩手机，看电视剧啥的。

这一点，我做得不是很好。这段时间工作之外的时间，用来学习的很少。
对学习有些懈怠了。

周末会有一天完全放松，有一天会好好学习，总结。
算是保持张弛有度吧 😃

远程办公的缺点，就是缺少了 face to face 的情况。
大家看不到具体的人，都是网络上的朋友。 互动性会稍微差一些。

英语与单元测试

在团队中工作了 1 个月。
leader 提出了 2 个方向上是短板，可以加强提高。

第一个是： 英语

因为是在一家外企工作，英语的使用是比较多的。
和公司内部的同事交流也会经常使用到英语。
在一些会议上需要用英语来沟通。

但是，我的英语还有很大的提升空间。因此需要制定一些计划来 improve。

第二个是：代码测试

包括单元测试，集成测试。
如何编写测试代码，写出一个全面可以 cover 住各种场景的测试代码。

如何组织代码结构，如何写出可读性高的代码？

在以往的工作经历中，缺少这一部分的内容，很少写测试代码。
基本上是通过手动测试代码。

基本上依赖 QA 来人肉测试。

到了新的公司之后，发现测试代码如何写的好的话，确实是一种很高效的工作方式。
直接调用到具体的代码，会比手动在页面中点，要方便很多。

而且测试代码，还会有文本上的记录，直接执行。

后面如何去做

主要的目标是：

• 英语达到可以沟通的水平。 workable
• 测试
  • 大家认可的测试代码
  • 逻辑清晰，可读性高
• elixir，react
  • 可独立进行日常的开发

英语

优先级最高的是：

口语和听力，原因是：在日常的一些会议中，我有些内容挺不太懂，而且无法正常地表达出自己的观点。

如何提高？

• 外教课程，目前是每周2次，在周末，一次1小时。
  • 课程录音，反复训练。
• 平时学习
  • 开言英语，可以多练练。多思考真正的场景。试着去表达。
  • practice
• 英语频道
  • YouTube
  • 其它软件，尽可能地多体验英语的环境

测试

• 多看，多练。了解到测试的具体目的，如何写。 最佳实践等。
• 视频，Clean Code

elixir，react

具体的内容，还是比较好学习的。
看看官方资料和B站上的视频。

跟着team一起做一些需求，这方面会提高比较迅速的。

Q-matrix构建

Q-matrix构建

qmatrix是一个二元矩阵，显示了测试项目与潜在或潜在的属性或概念之间的关系(Birenbaum, et al.， 1993)。学生根据他们的测试答案和构造的q矩阵被分配知识状态。

Exp:

1992年，Hubal研究了专家推导出的q矩阵与学生数据之间的对应关系，发现这两者并不一定一致。1996年，Brewer创建了一种从学生数据中提取q矩阵的方法，并发现该方法可以用来恢复模拟学生的知识状态。塞勒斯将q矩阵方法应用于一小群学生(1998年)。在(Barnes & Bitzer, 2002)中，我们将该方法应用于更大的学生群体，并在(Barnes，等人，2005)中发现该方法可与分组学生数据的标准知识发现技术相媲美。特别是，该方法在建模学生数据时优于因子分析，得到了更容易理解的q矩阵，但对数据的误差高于k-means聚类分析。然而，聚类分析并不像q矩阵方法那样适合于学生的自动学习方向，因为通常需要人工干预来创建与每个聚类相关联的行为。