Резюме графа о себе: О себе в резюме — Что написать в резюме о себе на примерах

Неофициальная версия:

Бренды университетов и компаний.

Прежде всего, рекрутер будет искать в вашем резюме громкие названия университетов, компаний или сертификатов. Поэтому работа в международных корпорациях и учеба в топовых университетах, здесь вам очень пригодится.

Вас может удивить, что компании большой тройки уделяют такое внимание брендам. Но вся правда в том, что топовые консалтинговые компании очень щепетильны в том, что касается образования и предыдущего опыта. В определенной степени это несправедливо, но небезосновательно . 

Во-первых, младших консультантов с крутым корпоративным опытом или впечатляющим образованием проще “продать” клиенту. Клиент всегда интересуется составом команды, которая будет работать над проектом, и готов платить большие деньги за сильную команду. У начинающих консультантов еще нет масштабных и успешных кейсов за спиной, зато есть опыт или хорошее образование, которые вызывают доверие у клиента.

Во-вторых, как уже было сказано, консалтинговые компании получают ОГРОМНОЕ количество откликов каждый год. В этом случае, такие маркеры, как бренд работодателя и университета, позволяют им качественно отобрать кандидатов на этапе скрининга. 

Если вы не можете похвастаться брендами в резюме, это вовсе не значит, что вам закрыты двери в консалтинг. Это лишь означает, что вам придется потрудиться прежде чем получить оффер: выстраивать нетворкинг, проходить стажировки в корпорациях и не отчаиваться. 

GPA.

Средний балл является одним из параметров, по которому оценивают ваше резюме. Низкий GPA необходимо компенсировать сильным опытом или впечатляющими достижениями.

Иностранные языки.

Еще один неочевидный параметр, на который обращают внимание рекрутеры в консалтинге – это знание иностранных языков. Знание одного или двух иностранных языков помимо английского даст вам сильное преимущество перед другими кандидатами при отборе, а также и увеличит вероятность командировок в дальнейшем.

Топ-10 советов по составлению резюме в консалтинг

Теперь осталось понять, как упаковать информацию, которую ожидают увидеть в вашем резюме HR-менеджеры. Перейдем к советам, которые помогут составить бомбовое резюме в консалтинг.

Совет №1 – уложитесь в одну страницу.

Это первое и самое главное правило консалтинговых резюме. Вы спросите, как можно описать все ваши достижения в 500 словах? Необходимо быть требовательным к себе, ведь кажется, что любой ваш опыт добавит очки вашему резюме и увеличит шансы пройти скрининг. Искусство в том, чтобы выбрать только те достижения, которые подчеркнут 4 заветных качества консультанта. 

Совет №2 – Используйте стандартный формат и шрифт.

Многие думают, что резюме, оформленное в дизайнерском шаблоне, поможет вам выделиться. Не совсем. Вам точно не дадут дополнительные баллы за креативность и владение навыками работы в редакторах. В лучшем случае, рекрутер подумает: “Прикольно, я еще не видел такого оформления”, а в худшем: “Где структура? Кто этот человек? Я ничего не понимаю…” За оформлением часто теряется содержание, поэтому будьте аккуратны с креативом.

Совет №3 – Поделите структуру на 5 стандартных секций.

Личная информация, образование, опыт работы, достижения и навыки. Все! Часто в резюме отсутствует графа “Достижения”. This is a BIG mistake for BIG-3 resume. Через описание достижений вы можете в полном объеме отразить ваши лидерские качества и предприимчивость. 

Совет №4 – Описывайте сложные вещи простыми словами.

Это правило касается описания ваших магистерских и научных работ. Рекрутер вряд ли знаком с областью ваших исследований, поэтому “много незнакомых слов” вряд ли произведут на него впечатление. Опишите ценность вашей научной работы так, как вы бы рассказывали о ней родителям или другу гуманитарию:) Говорить о сложных вещах просто и доступно – еще один важный навык консультанта, начните тренировать его уже на этапе составления резюме.

Совет №5 – опишите ваши soft skills.

Как уже было сказано в начале, резюме в консалтинг отличается от резюме в других сферах. Прежде всего из-за специфики самой работы. Хороший консультант – это человек с ярко выраженными и прокаченными soft skills: лидерством, предприимчивостью, работой в команде, коммуникабельностью, умением брать на себя ответственность и т.д. Постарайтесь отразить эти качества в вашем резюме. 

Совет №6 – начинайте предложения с глаголов.

Рекрутер не будет читать ваше резюме, он будет его сканировать, что займет у него не больше 10 секунд. Считайте, что у вас есть всего 10 секунд, чтобы впечатлить рекрутера. Лучший способ это сделать – использовать слова, на которые положительно реагируют рекрутеры. Каждое предложение в вашем резюме должно начинаться с глагола и подчеркивать качества, необходимые в консалтинге.

Совет №7 – подкрепляйте информацию цифрами.

Консультанты обожают цифры и факты. Если ваши слова не подкреплены цифрами, им нельзя верить. Подкрепляя ваши достижения цифрами, вы увеличиваете их вес и значимость. 

К примеру, если вы выиграли стипендию, напишите: “Выиграл стипендию Entente Cordiale на обучение в Великобритании (всего 2 стипендии, более 1000 заявок)”, вместо “Выиграл стипендию на обучение в Великобритании”. 

Совет №8 –  подчеркните свою индивидуальность.

Большая часть резюме сильно похожи друг на друга. Рекрутеры в консалтинге просматривает не менее 100 резюме в день. Вполне вероятно, что ваше резюме будет сотым по счету. Чтобы выделиться, опишите практику волонтерства или расскажите о необычных стажировках за границей 

Совет №9 –  попросите фидбек у знакомых рекрутеров или консультантов.

Ваше резюме должно пройти независимую проверку, прежде чем вы отправите его в компанию. Первая версия резюме всегда нуждается в доработке. Для того, чтобы отшлифовать ваше резюме, вам необходимо знать, какие фразы и предложения трудны для восприятия или вызывают сомнения. В этом поможет независимый взгляд со стороны – попросите друзей или знакомых из HR или консалтинга прочитать вообще резюме.

Совет №10 – перечитайте свое резюме несколько раз.

Это последний этап составления резюме, которым многие пренебрегают. Однако, именно этот этап является одним из главных. Считайте это очередной тренировкой перед консалтингом. Прежде чем отправить презентацию или документ клиенту, команда перепроверяет их несколько раз. 

Ориентируйтесь на эти правила и примеры резюме от BCG, Bain и McKinsey, и вы станете на шаг ближе к офферу! 

Источник

│Ваша команда Tpeople

резюме теории графов | Британика

• Развлечения и поп-культура
• География и путешествия
• Здоровье и медицина
• Образ жизни и социальные вопросы
• Литература
• Философия и религия
• Политика, право и правительство
• Наука
• Спорт и отдых
• Технология
• Изобразительное искусство
• Всемирная история

• Этот день в истории
• Викторины
• Подкасты
• Словарь
• Биографии
• Резюме
• Популярные вопросы
• Обзор недели
• Инфографика
• Демистификация
• Списки
• #WTFact
• Товарищи
• Галереи изображений
• Прожектор
• Форум
• Один хороший факт

• Развлечения и поп-культура
• География и путешествия
• Здоровье и медицина
• Образ жизни и социальные вопросы
• Литература
• Философия и религия
• Политика, право и правительство
• Наука
• Спорт и отдых
• Технология
• Изобразительное искусство
• Всемирная история

• Britannica Classics
  Посмотрите эти ретро-видео из архивов Encyclopedia Britannica.
• #WTFact Видео
  В #WTFact Britannica делится некоторыми из самых странных фактов, которые мы можем найти.
• На этот раз в истории
  В этих видеороликах узнайте, что произошло в этом месяце (или любом другом месяце!) в истории.
• Demystified Videos
  В Demystified у Britannica есть все ответы на ваши животрепещущие вопросы.
• Britannica объясняет
  В этих видеороликах Britannica объясняет различные темы и отвечает на часто задаваемые вопросы.

• Студенческий портал
  Britannica — это главный ресурс для учащихся по ключевым школьным предметам, таким как история, государственное управление, литература и т. д.
• Портал COVID-19
  Хотя этот глобальный кризис в области здравоохранения продолжает развиваться, может быть полезно обратиться к прошлым пандемиям, чтобы лучше понять, как реагировать сегодня.
• 100 женщин
  Britannica празднует столетие Девятнадцатой поправки, выделяя суфражисток и политиков, творящих историю.
• Britannica Beyond
  Мы создали новое место, где вопросы находятся в центре обучения. Вперед, продолжать. Просить. Мы не будем возражать.
• Спасение Земли
  Британника представляет список дел Земли на 21 век. Узнайте об основных экологических проблемах, стоящих перед нашей планетой, и о том, что с ними можно сделать!
• SpaceNext50
  Britannica представляет SpaceNext50. От полёта на Луну до управления космосом — мы исследуем широкий спектр тем, которые подпитывают наше любопытство к космосу!

• Введение

Краткие факты

• краткое изложение теории графов
• Связанный контент
• викторины

вложений графов — сводка.

В этой статье рассказывается, что такое вложения графов, их использование и сравнение наиболее часто используемых подходов к встраиванию графов.

Графики обычно используются в различных реальных приложениях. Социальные сети — это большие графы людей, которые следуют друг за другом, биологи используют графы белковых взаимодействий, а коммуникационные сети — сами графы. Они используют графы совпадений слов в области анализа текста. Интерес к машинному обучению на графах растет. Они пытаются предсказать новые дружеские отношения в социальных сетях, а биологи предсказывают функциональные метки белка. Математические и статистические операции с графиками ограничены, а применение методов машинного обучения непосредственно к графикам затруднено. В этой ситуации разумным решением являются вложения.

Что такое вложения графов?

Встраивание графов — это преобразование графов свойств в вектор или набор векторов. Встраивание должно фиксировать топологию графа, отношения вершин к вершинам и другую соответствующую информацию о графах, подграфах и вершинах. Дополнительные свойства встраивания кодируют лучшие результаты, которые можно получить в последующих задачах. Мы можем грубо разделить вложения на две группы:

• Вложения вершин: Мы кодируем каждую вершину (узел) своим собственным векторным представлением. Мы будем использовать это вложение, когда хотим выполнить визуализацию или прогнозирование на уровне вершин, например. визуализация вершин в 2D-плоскости или предсказание новых соединений на основе сходства вершин.
• Вложения графа: Здесь мы представляем весь граф одним вектором. Эти вложения используются, когда мы хотим делать прогнозы на уровне графика и когда мы хотим сравнить или визуализировать целые графики, например. сравнение химических структур.

Позже мы представим несколько часто используемых подходов из первой группы (DeepWalk, node2vec, SDNE) и подход graph3vec из второй группы.

Почему мы используем вложения графов?

Графики — это осмысленное и понятное представление данных, но есть несколько причин, по которым необходимо встраивание графов:

• Машинное обучение на графиках ограничено. Графы состоят из ребер и узлов. Эти сетевые отношения могут использовать только определенное подмножество математики, статистики и машинного обучения, в то время как векторные пространства имеют более богатый набор подходов.
• Вложения — это сжатые представления. Матрица смежности описывает связи между узлами в графе. Это |V| х |В| матрица, где |V| – количество узлов в графе. Каждый столбец и каждая строка в матрице представляют узел. Ненулевые значения в матрице указывают на то, что два узла соединены. Использование матрицы смежности в качестве пространства признаков для больших графов практически невозможно. Представьте себе граф с 1 миллионом узлов и матрицей смежности 1 миллион x 1 миллион. Вложения более практичны, чем матрица смежности, поскольку они упаковывают свойства узлов в вектор меньшего размера.
• Операции с векторами проще и быстрее , чем аналогичные операции с графами.

Проблемы

Подход к внедрению должен удовлетворять большему количеству требований. Здесь мы описываем три из множества проблем, связанных с методами встраивания:

• Нам нужно убедиться, что вложения хорошо описывают свойства графов . Они должны представлять топологию графа, соединения узлов и окрестности узлов. Производительность прогнозирования или визуализации зависит от качества встраивания.
• Размер сети не должен снижать скорость процесса внедрения. Графики обычно большие. Представьте себе социальные сети с миллионами людей. Хороший подход к встраиванию должен быть эффективным на больших графах.
• Существенной задачей является решение о размерности вложения. Более длинные вложения сохраняют больше информации, хотя и требуют большей временной и пространственной сложности, чем вложения сортировщика. Пользователям необходимо найти компромисс в зависимости от требований. В статьях обычно сообщают, что для большинства задач достаточно размера встраивания от 128 до 256. В методе Word2vec они выбрали длину встраивания 300.

Word2vec

Прежде чем мы представим подходы к встраиванию графов, я расскажу о методе Word2vec и нейронной сети skip-gram. Они являются основой для методов встраивания графов. Если вы хотите лучше понять это, я предлагаю посмотреть этот отличный учебник или это видео.

Word2vec — это метод встраивания, который преобразует слова в векторы встраивания. Подобные слова должны иметь похожие вложения. Word2vec использует сеть skip-gram, которая представляет собой нейронную сеть с одним скрытым слоем. Скип-грамма обучена предсказывать соседнее слово в предложении. Эта задача называется поддельной задачей, поскольку она просто используется на этапе обучения. Сеть принимает слово на вход и оптимизируется таким образом, что с высокой вероятностью предсказывает соседние слова в предложении. На рисунке ниже показан пример входных слов (отмеченных зеленым цветом) и слов, которые были предсказаны. С помощью этой задачи авторы добиваются того, чтобы два похожих слова имели схожие вложения, поскольку вполне вероятно, что два слова с одинаковым значением имеют похожие соседние слова.

Нейронная сеть с пропуском граммы, показанная на рисунке ниже, имеет входной слой, один скрытый слой и выходной слой. Сеть принимает горячие закодированные слова. Горячее кодирование представляет собой вектор такой же длины, как и словарь слов, и имеет все нули, кроме единицы. Номер один находится в том месте, где закодированное слово появляется в словаре. Скрытый слой не имеет функции активации, его выход представляет собой вложение слова. Выходной слой представляет собой классификатор softmax, который предсказывает соседние слова. Более подробная информация о skip-gram доступна в учебнике, о котором я упоминал ранее.

Я представлю четыре подхода к встраиванию графов. Три из них встраивают узлы, а один встраивает весь граф одним вектором. Они используют принцип встраивания из Word2vec в трех подходах.

Подходы к встраиванию вершин

Я представлю три метода встраивания узлов в граф. Они выбраны потому, что они широко используются на практике и обычно дают наилучшие результаты. Прежде чем мы углубимся, я могу упомянуть, что подходы к внедрению узлов можно разделить на три основные группы: подходы факторизации, подходы случайного блуждания и глубокие подходы.

DeepWalk использует случайные блуждания для создания вложений. Случайное блуждание начинается в выбранном узле, затем мы переходим к случайному соседу из текущего узла на определенное количество шагов.

Метод в основном состоит из трех шагов:

• Выборка: Выборка графа производится с помощью случайных блужданий. Выполняется несколько случайных обходов из каждого узла. Авторы показывают, что достаточно выполнить от 32 до 64 случайных блужданий из каждого узла. Они также показывают, что хорошие случайные блуждания имеют длину около 40 шагов.
• Обучающая скип-грамма: Случайные блуждания сравнимы с предложениями в подходе word2vec. Сеть скип-грамм принимает узел из случайного блуждания как однократный вектор в качестве входных данных и максимизирует вероятность предсказания соседних узлов. Обычно он обучен предсказывать около 20 соседних узлов — 10 узлов слева и 10 узлов справа.
• Вычислительные вложения: Встраивание — это результат скрытого слоя сети. DeepWalk вычисляет встраивание для каждого узла в графе.

Метод DeepWalk выполняет случайное блуждание, что означает, что вложения плохо сохраняют локальную окрестность узла. Подход Node2vec исправляет это.

Node2vec — модификация DeepWalk с небольшой разницей в случайных блужданиях. Он имеет параметры P и Q. Параметр Q определяет, насколько вероятно, что случайное блуждание обнаружит неоткрытую часть графа, а параметр P определяет, насколько вероятно, что случайное блуждание вернется к предыдущему узлу. Параметр P управляет открытием микроскопического изображения вокруг узла. Параметр Q управляет открытием большей окрестности. Он выводит сообщества и сложные зависимости.

Другие шаги встраивания такие же, как и в подходе DeepWalk.

Структурное встраивание в глубокую сеть (SDNE) не имеет ничего общего с предыдущими двумя подходами, поскольку не выполняет случайные блуждания. Я упоминаю об этом, поскольку он очень постоянен в своей работе на разных задачах.

Он разработан таким образом, чтобы вложения сохраняли близость первого и второго порядка. Близость первого порядка — это локальное попарное сходство между узлами, связанными ребрами. Он характеризует структуру локальной сети. Два узла в сети подобны, если они соединены ребром. Когда одна статья цитирует другую статью, это означает, что они затрагивают схожие темы. Близость второго порядка указывает на сходство структур соседства узлов. Он фиксирует глобальную сетевую структуру. Если два узла имеют много общих соседей, они, как правило, похожи.

Авторы представляют нейронную сеть автоэнкодера, состоящую из двух частей — см. рисунок ниже. Автоэнкодеры (левая и правая сети) принимают вектор смежности узлов и обучены восстанавливать смежность узлов. Эти автоэнкодеры называются ванильными автоэнкодерами, и они изучают близость второго порядка. Вектор смежности (строка из матрицы смежности) имеет положительные значения на местах, обозначающих узлы, соединенные с выбранным узлом.

Есть и курируемая часть сети — связующее звено между левым и правым крылом. Он вычисляет расстояние между вложениями слева и справа и включает его в общие потери сети. Сеть обучена так, что левый и правый автоэнкодер получают на входе все пары узлов, соединенных ребрами. Потеря удаленной части помогает сохранить близость первого порядка.

Общие потери в сети рассчитываются как сумма потерь от левого и правого автоэнкодера в сочетании с потерями от средней части.

Подход с встраиванием графа

Последний подход встраивает весь граф. Он вычисляет один вектор, описывающий граф. Я выбрал подход graph3vec, поскольку он, как мне известно, является наиболее эффективным подходом для встраивания графа.

Graph3vec основан на идее подхода doc2vec, использующего сеть пропуска грамм. Он получает на входе идентификатор документа и обучается максимизировать вероятность предсказания случайных слов из документа.

Подход Graph3vec состоит из трех этапов:

• Выборка и перемаркировка всех подграфов из графа. Подграф — это набор узлов, которые появляются вокруг выбранного узла. Узлы в подграфе не дальше выбранного количества ребер.
• Обучение модели пропуска грамм . Графики похожи на документы. Поскольку документы представляют собой набор слов, графы представляют собой набор подграфов. На этом этапе обучается модель пропуска грамм. Он обучен максимизировать вероятность предсказания подграфа, который существует в графе на входе. Входной граф предоставляется в виде однократного вектора.
• Вычисление эмбеддингов с предоставлением идентификатора графа в виде однократного вектора на входе. Встраивание является результатом скрытого слоя.

Поскольку задача состоит в предсказании подграфов, графы с похожими подграфами и похожей структурой имеют аналогичные вложения.

Другие подходы к внедрению

Я представил четыре подхода, основанных на часто используемой литературе. Поскольку эта тема в настоящее время очень популярна, доступно больше подходов. Здесь я представляю список других доступных подходов:

• Подходы к встраиванию вершин: LLE, Лапласовы собственные карты, факторизация графов, GraRep, HOPE, DNGR, GCN, LINE ядра

Ссылки

[1] C. Manning, R. Socher, Лекция 2 | Представления векторов слов: word2vec (2017), YouTube .

[2] Б. Пероцци, Р. Аль-Рфу, С. Скиена, DeepWalk: онлайн-обучение социальных представлений (2014), архив:1403.6652 .

[3] К. Маккормик. Учебное пособие по Word2Vec — модель Skip-Gram (2016 г.), http://mccormickml.com .

[4] Т. Миколов, К. Чен, Г. Коррадо, Дж. Дин, Эффективная оценка представлений слов в векторном пространстве (2013), arXiv:1301.3781 .

[5] А. Нараянан, М. Чандрамохан, Р. Венкатесан, Л. Чен, Ю. Лю, С. Джайсвал, graph3vec: Learning Distributed Representations of Graphs (2017),
arXiv:1707.05005 .

[6] П.