自己就是用户

一、想想自己平时用的工具


想想自己研究管理、自己做管理、自己研发管理软件、自己也用管理软件。所以先想想自己作为甲乙一体化,自己平时用的工具。


企业门户:
公司公告、内部BBS论坛、blog知识总结分享交流、企业制度流程文档库
消息通知集成、审批集成、报表集成、业务应用系统集成


OFFICE文档编写与查看
Sharepoint Space项目组文档共享


内部IM交流、IP电话、视频会议
OUTLOOK邮件收发、会议发起/通知/提醒


需求管理、BUG管理
客服支持问答工单管理、投诉管理、异常管理


项目计划管理 任务管理 看板管理
日报管理
会议预定管理


流程设计工具、UI原型工具、UML设计工具
开发工具、测试工具、打包发布工具、实施部署工具、数据处理工具、上线工具、运维工具


客户管理、合同管理、发票管理、结算管理、付款管理


考勤 请假 出差 采购 报销


绩效管理


招聘管理、简历管理、培训管理、考试管理


预算管理 成本管理 费用管理 会计登帐


战略管理


二、想想在SaaS时代、在企业阿米巴时代、在移动APP时代,我们会有哪些改变、强需求


现在有很多SaaS软件,现在也有很多搞企业社交、企业协作、企业阿米巴、敏捷团队的软件,现在有很多移动手机软件


我看了看我的手机,又对照了一遍上述软件


没有企业门户软件


OFFICE在用
没有类似Sharepoint Space项目组文档共享工具了,我个人用云盘工具,为了个人手机/PC共享。所以 需要项目组文档共享工具(这个谁来搞搞)


有IM软件(QQ/微信),但 不能代替视频会议(这个谁来搞搞)。文字沟通、语音沟通倒是能代替了。
仍然在手机上进行邮件收发,但会议提醒不在手机弹出提醒了。估计我没有做设置,需要再好好研究一下


任务计划用手机上的日历与提醒事项APP代替,也差不多能用。这已经是对计划管理对任务管理非常严格要求的北上广深高科技软件公司了,想想中国东西南北中广大普通企业人员对计划对任务更是没啥敬畏感和遵守性。


其他软件都没有用手机软件。不过也没感觉有什么工作阻碍和忍不了的痛点。


大概做研发人、管理人整天在办公室坐着工作、出差/开会/面对面沟通吧。


也问过公司的市场人、销售人、实施人,大家也没啥工作中手机的强需求,反正自己是软件公司,笔记本电脑是必备的生产资料,手机也是个人必需品。


我也问过公司的运维人客服人,大家也是整天在公司坐着工作,大家也没啥工作中手机的强需求。不过手机里装的休闲娱乐软件一大堆。


这种现象很像咱们企业日常工作与团队活动的区别,反差特别大,一到团队活动娱乐时,哦哟,都是人才奇才,真没想到,一到工作中好像灵性全失了。所以我们老说移动时代是大趋势,但也要分工作外的移动和工作内的移动。想想即使在PC WEB时代,我们用那些管理软件也是因为工作关系不得不用,能少用就少用,没事不打开。看到这,估计做企业工作软件的人要哭了。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值