回复网友 man1231,关于业务目标界定的问题

man1231

 

 咖啡,你好:

 
     有2个问题请问:
     1. 根据业务目标来确定边界,从而产生主角和业务用例。
        请问,“业务目标”如何产生 ? 根据用户的描述或者根据标书的要求来就可以了吗?
        在多个“业务目标”之间,有无层次关系?
 
        能否对“业务目标”的梳理,有个更明确的做法?
        “业务目标”和“系统目标”可以当成一个吗?
 
     2.在“涉众分析报告”中,“消费者统计”这里的“消费者”指的是系统的使用用户?
       和“用户概要 用户简档”如何区分 ?
 
       还请给予指惑答疑。
 
                                              man1231   
我的回复

问题1:
       业务目标通常体现在标书当中。但是标书里的目的大多比较空泛,需要进一步明确和探讨。需要明确至这个业务目标谁关心,谁执行,产生的结果是什么,如何验证目标达成。
       多个业务目标之间不应该有层次,所有业务目标应该是平级的。但是多个业务目标之间有可能重叠的部分,即有一部分内容多个业务目标都要用到。通常,这些重叠的部分是需要较多关心和更多讨论的,确保它在各个业务目标之中不会产生矛盾。
       对业务目标的梳理过程实际上是对客户信息系统建设目标的理解过程,客户的业务是分散的,各个部门各行其事,但是各个部门相互配合才能完成一个业务目标,这个目标才是建设信息系统的意义所在。
      业务目标和系统目标是不等同的。业务目标是客户建设信息系统的意义,比方控制成本。但系统目标为了达到控制成本,可以有很多种可选择的实现方式。通常我们说的solution就是指的系统目标,针对客户的某个业务目标,不同的软件商会提供不同的解决方案。
问题2:
      这里消费者的确是指使系统的使用者,对于系统来说,他们是消费(consumer)者。
      用户概要是针对“角色”,即一类用户来编写的。用户简档是针对真实的用户代表来写的。
  
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