我是这么利用数据——一切效率都是因为沟通

这些年软件行业发展的很快,原来大家对信息化的理解很有限,现在可不比从前,软件的用户对软件有了自己的理解。

从一开始,编程的逻辑就是“预定义”,预先定好规则,预先定好数据结构,预先定好一切,只等用户在界面上“扣动扳机”,这个内部极其复杂的机器就这么有条不紊、不顾一切的加足马力前进了!

现在,大家开始不满足,开始对软件的各个方面评头论足,要求它们表现出各种定制化,这种要求从一开始的界面美观发展到了逻辑“匪夷所思”,甚至发展出“技术不是问题”这样的论调,然后就是几乎“无理取闹”的要求软件化身为神,满足他的幻想。

我们何不停下来,好好的想一想这是为什么?这可能很难理清思路,让我们从一个简单的问题入手:

1、如果某人答应你:给你一件礼物,无论什么价,照买不误!

2、你会考虑你眼馋了很久的智能手机,比如价值6K,然后,那人真的给你买了。

3、后来他还说:如果不满意,还可以随时更换要求。

4、这下你可太开心了,这人真的要什么给什么!想想手机算个球啊,要辆豪车吧,于是你要求来辆宝马!

5、虽然价值500K,但他也真的给你买了。。。。

有几个问题值得我们好好的研究一下

1、为什么一开始你只会要个手机而已?

2、为什么明明是你眼馋很久的手机,但是你依然不能满足?

3、你会对新买的宝马满足么?

可能刚开始你觉得很可笑,怎么会有这么好的人?当我们带着这些问题,慢慢的深入,你会发现软件开发居然就是这样的!一开始用户对你不甚了解,于是提出一些 没经过认真考虑的要求,你做到了!然后,由于可以无限制的修改,于是拿着修改的名义,软件的功能改着改着就发生了质的改变,但是客户永不满足!

你累的不行,不得不加班加点,是谁的错?你肯定认定为客户的错,太苛刻,太扯淡!但实际上是你的错,错在你没有和客户沟通好!我们回到送礼物的这个假设, 如果一开始那人就表示,其实我挺有钱,你也别说什么几千块钱的东西,这样好了,你往10万元的档次考虑!你说你还会考虑手机么?你肯定会精心思考,挑出自 己最想要的,比如说你选择了一辆10万元的家用车,你说你自己得了这件礼物,是什么样的满足的感受?

然而真实情况下,我们却从不这么做,你不愿意告诉你的客户你的实力,你能够在软件方面做到怎样他不知道。于是不能阻止他怀疑你,从而试探你!随便说个要求是必须的,因为你到底是什么情况他还不清楚,他会花心思认真考虑你们的合作么?

可悲的是:这时的软件人员居然想的可美了!他们在想:这群傻X,提不出什么玩意才好,忽悠他们就完事了!

然而事实就是我们一次次的被“改需求”扇了耳光,大量痛苦的经验告诉我们一句实话:算上改来改去,还真不如一步到位!

故事还没有结束,但是希望我们现在就达成共识:和用户沟通清楚你的能力,是软件开发的明智选择!

于是,问题来了:如何沟通才能清楚?无数次的经验告诉我,用原理的方式是无法让用户明白的,他们看不懂技术,所以自然不知道什么能,而什么不能!不过可喜是,画画居然是良好的替代品。

让我们这么做

1、请用户描述自己的想法,了解整体的业务情况。

2、给用户一张EXCEL表格,让他把业务数据在excel中画出来。

3、其中包括主要数据是什么格式,每个要求的功能在excel中怎么用手工实现(这里加个数据,这里插入一行等等的实际描述)

4、你会发现神奇的效果。

神奇的效果是什么呢?虽然这要你自己去试了才知道,但是我忍不住要剧透一下

1、矛盾会不攻自破,用户在演示的过程中能自己发现矛盾和不合理的地方,自己想办法修正和用曲线的方式绕过矛盾。

2、建立了共同语言,他们越是对功能的要求具体,对结构的描述就越清楚,几个回合下来,excel中的行行列列居然是最容易把问题说清楚的玩意。

3、加强了对复杂或者说难度的理解,在excel中越难画表格,一般也就越难做功能,你整天和用户说:这个很难!他根本听不进去,只要让他自己画表格,他就会慢慢的体会到哪个难,哪个简单。

故事本来可以结束了,但是我想再点一点数据的思想。这里表面上看和数据关系不大,但实际上是数据本身的特点决定了:规范的数据格式更容易被程序实现,数据各个部分的二维平面模拟关系,在程序里面更是有相应的对应物,如果说前面我的博文强调的是我们要有数据思想,那么这篇小文,就是要让用户也有数据思想

来吧,一切效率都是因为沟通,请用画数据和你的用户沟通吧!别再天马行空了,是骡子是马,画出表格来溜溜!

转自:http://www.cnblogs.com/caishen/p/3491761.html

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。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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