软件设计工具----UML学习第零课

软件设计工具学习笔记

相关信息

课件来源于北京大学软件学院

参考教材:<UML与软件建模> <The Unified Modeling Language User Guide(Second Edition)>

课程网站:http://www.icst.pku.edu.cn/course/uml/uml.htm

工具:Rose 2007

学习计划:8月19日至9月6日开学

笔记记录于此,并发表到CSDN博客和个人博客.

 

第零课----软件产品开发和软件建模

什么是建模?

模型是对现实系统的简化.建模是对现实系统进行适当的过滤,用适当的表现规则描绘出简洁的模型.通过模型,人们可以了解所研究事物的本质,而且在形式上便于人们对之进行分析和处理.

为什么要建模? 

软件是产品而非“程序”

1.软件是产品而非程序.

因此对它的要求和所有其他工业产品是一样的:要求使用者和制造者分离质量要求、文档、维护

软件产品的生产和其他工业产品的生产也是一样的

也是有团队、工具的使用(Compiler,..),技术复用

如何满足这些要求?  先设计,再生产!  =》  建模!

2.模型是对现实世界的简化。


模型的作用?

1) 模型可以促进项目有关人员对系统的理解和交流.

2) 模型有助于挑选出代价较小的解决方案.

3) 模型可以缩短系统的开发周期.

面向过程的程序设计方法和面向对象的程序设计方法

面向过程以功能分析为基础,强调自顶向下的功能分解.设计出的软件,模块独立性差,模块间耦合度高,不以维护.

面向对象强调数据抽象,易扩充性,和代码复用等软件工程原则.主要特征支持数据抽象,封装,继承等特点.

什么是UMLUML?

统一建模语言(Unified Modeling Language)

UML是用于描绘软件蓝图的标准语言.

它可用于对软件密集型系统进行

  • 视化(visualize)
  • 说明(specify)
  • 建造(construct)
  • 建档(document)

这也是对软件系统进行建模的四个目的


UML的特点

1) 统一了之前各种软件建方法,以及各种方法对不同系统.不同的开发阶段.以及不同内部概念的不同观点,从而有效的消除了各种建模语言之间不必要的差异

2) 建模能力更强.

3) 是一种建模语言,而不是开发过程

UML是语言:语言意味着有标准的表达规则

UML是蓝图: UML是由图形符号表达的建模语言


使用UML进行软件建模的原则

  • 准确的原则:模型必须准确地反映软件系统的真实情况。
  • 分层的原则:在建模的过程中,必须有不同的模型,以不同的抽象程度,反映系统的不同侧面。
  • 分治的原则:不可能单独用一个模型来反映整个系统的任何侧面。
  • 标准的原则:建模方法必须在某种程度上是通用的

 

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 3
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