秋招/后端 offer 帮选

秋招收官钟声敲响，别人都是手握心仪 offer 圆满收官的 He 结局，只有我，妥妥的咸鱼式 BE，秋招全程颗粒无收，连个像样的 offer 都没捞着，主打一个未完待续，前路迷茫但也只能硬扛。复盘整个秋招，最大的败笔就是轻视了简历这件事。第一版简历写得潦草又敷衍，项目经历一笔带过，技术亮点半点没提，就凭着这份破烂简历盲目海投大厂、中小厂，结果可想而知，投出去的简历清一色石沉大海，连笔试机会都没捞着几个，硬生生浪费了秋招最黄金的那段时间。等后知后觉醒悟过来要优化简历，秋招的风口早就过了，再怎么改简历、补投递，也只是杯水车薪，追不上进度了。雪上加霜的是，秋招期间还踩了实习的坑。本想着边实习边求职，能给简历添点底气，结果这份实习纯纯是体力消耗 ——996 连轴转不说，还天天无偿加班，干得身心俱疲，别说抽时间打磨简历、刷笔试了，连正常投递的精力都没有，整个人被工作榨干，最后实在扛不住，果断提了离职，总算恢复了自由身。现在的状态，说摆烂也不算摆烂，说努力又没十足的劲头。每天佛系刷招聘软件、零散投递简历，不再执着于秋招的遗憾，也不逼自己非要立刻拿到结果，就这么慢悠悠地边投边等春节到来。秋招的落幕，对我来说不是求职的终点，只是一段潦草的插曲，虽然暂时没迎来想要的结果，但好歹及时止损，卸下了实习的重担。秋招 BE 又怎样，大不了春招再战！趁这段时间好好打磨简历、补补技术短板，养足精神，等年后春招再重新出发，总能等到属于自己的 He 结局。

概述 对于给定数据集，其中。线性回归的目的是找到一个函数  使得线性模型的预测值与真实值尽可能接近。通常选用均方误差来判断其接近程度，即  当均方误差最小时，即可求得最优线性回归模型。此时  表示的解。我们只需要求得均方误差在最小值时的值，因此均方误差的常数项可忽略。 一元线性回归 当数据集中的维度为1时，即，此时为标量，则对于给定数据集，线性回归给出的模型为  此时也是标量。易证对均为开口向上且恒大于0的二次函数，因此我们可以使用二次函数对称轴公式或求导来确定该函数的最小值。这里选择求导的方法。将分别对求导：  令上式等于0，得到   多元线性回归 最小二乘法 对概述中的式子，我们令  则 ...

听起来很离谱但是真的干过的活…穿越偌大的产业园就是为了把一栋楼的某一层文件报表发票单据送到另一栋楼某一层做归档，没错我就是穿越在过去和未来财富道路上的大队长……嗯，那段时间我甚至摸索出了哪个智能马桶的加热功能最贴合我的臀部然后坐在上面悄悄摸会鱼

调整弹窗位置 => 完善模态交互动效适配不同手机 => 实现响应式布局方案加了个if-else => 完善业务逻辑与分支处理拆了个大函数 => 增强代码可读性加打印日志 => 增强程序可观测行抄组件库 => 参考标准化解决方案用现成SDK => 引入第三方能力百度解决方案 => 调研行业最佳实践抄同事代码=> 与xx对齐，协同开发