EurekaMoments

ロボットや自動車の自律移動に関する知識や技術、プログラミング、ソフトウェア開発について勉強したことをメモするブログ

中国でソフトウェアエンジニアになるための求人の探し方と応募の仕方

目的

前回の記事で、自分が中国へ行くための転職活動でレジュメを
どのように書いていたかについてまとめました。
www.eureka-moments-blog.com 今回の記事では、レジュメ作成の次のステップである求人探しと
応募について学んだことを詳細にまとめようと思います。

目次

  • 目的
  • 目次
  • 求人探しの方針を決める
  • 転職サイトで求人を探す
    • doda
    • ビズリーチ
    • JAC Recruitment
    • カモメ 中国転職+アジア
    • CareerCross
  • LinkedInで求人を探す
  • 求人に応募する
    • 会社の採用ページから応募する
    • 転職エージェントを通じて応募する
    • 転職エージェントのサポートは無料
  • 求人に応募した後のステップ
続きを読む

中国でソフトウェアエンジニアになるためのレジュメの書き方

目的

中国へ移住するための転職活動を通じて学んだことをまとめるにあたり、
まずは下記のような全体の概要をまとめた記事を書きました。
www.eureka-moments-blog.com 続いて今回は、転職活動の第一歩となるレジュメの書き方について、
今回学んだことを詳細にまとめようと思います。

目次

  • 目的
  • 目次
  • レジュメとは
  • 枚数
  • 内容
    • 技術
    • 学歴
    • 職歴
  • 英語で書く
  • 書く経歴を厳選する
  • 常にアップデートし続ける
  • 自身のGitHubやブログのURLを載せておく
  • レジュメを書いた後のステップ
続きを読む

中国でソフトウェアエンジニアとして働くまでの道のり~概要編~

目的

自分はこれまでの約12年間、日本の企業で自動運転システムの
ソフトウェアエンジニアとして働いてきましたが、2023年から
中国の企業に転職し、同じように自動運転システムのソフトウェア
エンジニアとして働くことになりました。

そこに至るまでにいろいろな苦労、経験、学びがあったので、
それらを忘れないうちにブログにまとめることにしました。

今回の記事では、この転職活動開始時から終了時までの概要を
ざっと紹介しようと思います。

目次

  • 目的
  • 目次
  • 経緯
  • 結果
  • やったこと
  • 学んだこと
続きを読む

ソフトウェアエンジニアの技術面接で実際に出たC++質問集

目的

自分のように自律移動システムを開発するエンジニアの採用プロセスでは、
C++の知識がどれだけあるかを問われる技術面接が必ずあると思います。

今まで何度か実際に面接を受けたことがありますが、いざ聞かれて答えようと
すると(しかも英語で)、自分がC++の事を全然理解出来ていないということを
思い知らされました。

今後また同じ質問をされたときはちゃんと答えられるように、これまでに
問われた質問の内容と、その模範解答をまとめておこうと思います。

目次

  • 目的
  • 目次
  • 質問集
    • C++とPythonの違い
    • クラス/構造体/共用体の違い
    • ポインタ渡しと参照渡しの違い
      • 値渡し (Pass by Value)
      • ポインタ渡し (Pass by Pointer)
      • 参照渡し (Pass by Reference)
    • constの使い方
    • メモリの扱い方
      • reallocの注意点
    • C++における4大メモリ
      • プログラム用メモリ
      • 静的変数用メモリ
      • スタック用メモリ
      • ヒープ用メモリ
      • スタックとヒープの違い
    • 再帰関数とスタックオーバーフロー
    • メモリリークとは
    • テンプレートとは
      • 値パラメータ
      • クラステンプレート
    • 仮想関数とは
      • オーバーライド
      • 呼び出し
      • 純粋仮想関数
続きを読む

自然言語データを前処理する際のPython逆引きメモ

目的

これまでにデータ解析の仕事で扱ってきたのは主に
時系列データや画像データなど、数値で表現される
データでした。

しかしながら、最近では自然言語データのように
数値データではないものも解析できることが重量と
なってきました。

今回、上記の書籍で自然言語データに対する前処理の
手法について勉強したのでこの記事でまとめておこうと
思います。

目次

  • 目的
  • 目次
  • 自然言語処理の考え方
  • 形態素解析(Morphological Analysis)
    • 活用例
    • Janomeによる形態素解析
    • 正規表現による不要な文字列の除去
    • 品詞として単語を抽出
    • 単語の出現回数を数える
  • 分割した単語をデータフレームにまとめる
  • 分割した単語の文書行列を作成する
  • 出現回数が多い順に単語を列挙する
  • 出現する文書の比率で次元を削減する
  • TF-IDF値を算出する
  • RNNのためのデータセットを作成する
    • RNNの仕組みや活用例
    • LSTMの仕組みや活用例
    • 単語や句読点、括弧などの単位に文書を区切る
    • 出現数の降順に単語をソートする
    • ソートした単語にIDを付与する
    • 文書中の単語を数値に変換する
    • 単語IDリストの長さを揃える
  • トピック抽出のためのデータセットを作成する
    • ネットワーク分析による抽出
    • 共起ネットワークを作るためのエッジリスト
    • 単語文書行列を作る
    • コサイン類似度を計算する
    • 単語ペアと類似度をリストアップする
    • 関連性の強いペアを抽出する
    • エッジリストを確認する
続きを読む

時系列データを前処理する際のPython逆引きメモ

目的

データ分析の仕事をする中で最も扱う機会が多いのが
時系列データだと思います。その中で欠損値を扱ったり、
統計を取ったり、特徴量を作り出したりするのですが、
毎回やり方を忘れてググっているので、上記の書籍を読んで
こういった前処理の方法をいつでも確認できるように
メモしておこうと思います。

目次

  • 目的
  • 目次
  • 日時のデータをdatetime型に変換する
  • 最初の日時からの経過時間を計算する
  • 各データの統計量を計算する
  • 欠損値の確認と補完
  • 経過時間の単位を変換する
  • データフレーム結合する
  • 基準日時からの経過時間を計算する
  • 重複した行を削除する
  • 特定のデータ列をインデックスにする
  • 部分的時系列を抽出して統計量を計算する
  • データフレームの各列をリストにして結合する
  • 不均衡データから教師データを作成する
    • データの読み込みと可視化
    • K近傍法で教師データを作成する
    • 異常検出モデルを作成する
  • オートエンコーダで教師データを作成する
    • オートエンコーダの仕組み
    • 異常検出モデルを学習する
    • 学習したモデルにテストデータを適用する
続きを読む

画像データを前処理する際のPython逆引きメモ

目的

データ分析の仕事をする際はPythonで専用スクリプトを書いて
大量のデータを一括処理するなんてことをよくやりますが、
今後は画像データに対する処理のスキルも習得する必要性が
出てきました。そこで、上記の書籍から画像データに対する
前処理のやり方をいろいろ学んだので、それらを忘れないように
まとめておくことにします。

目次

  • 目的
  • 目次
  • 画像ファイルを読み込む
  • 配列のサイズを確認する
  • ピクセル値を確認する
    • カラー画像
    • グレースケール画像
    • 2値化画像
  • 機械学習のためのデータセット作成
  • モルフォロジー変換
    • 収縮(Erosion)
    • 膨張(Dilation)
    • オープニング(Opening)
    • クロージング(Closing)
  • ピクセル値のヒストグラム化
  • t-SNEによる次元圧縮
  • 訓練データとテストデータへの分割
  • 画像データの水増し
    • 反転
    • 平滑化
    • 明るさの変更
続きを読む