[ZT]为高效团队雇佣人员

        摘自《高效团队如何避免“团队自杀”》

        http://www.infoq.com/cn/news/2009/06/high-performance-teams-teamicide


        在目前动荡的经济形势下,对高效团队侃侃而谈的可不仅Denning一个人。最近在悉尼举行的CeBit展览上,Ominlab Media集团的总经理Stefan Gillard也谈到了自己对于领导力的观点,他认为领导要想在创意产业中组建高效团队,就得具备下面的态度:

  1. 要明确主管的职责——创建成功的愿景,并将其传递给团队,细节工作让团队自己搞定。

    我根本不关心与我一起工作的厂商的类型或是形式,或是我设计的系统类型,或是用来交付我所完成的工作的流程。我只关心如何交付业务价值。我的职责就是要交付业务产出。

  2. 雇佣你认识的人,或是团队认识的人。

    原因在于彼此了解。构建新团队的人经常找招聘代理,试图告诉对方自己有哪些要求,可这样做的问题在于:团队无法直接接触应聘者,而他们才是要一起真正干活的人。

  3. 在招聘时提些奇怪的问题——理解人们的职业发展期望和个人目标,选择对自己职业有长远规划的人。

    这样做还有一个目的:将应聘人至于被动境地。如果他们不知道如何回答,也许说明这些人对职业发展还没有长远想法,或者他们认为这份工作不重要?

  4. 使用原力——问他们:“如果让你扮演一个《星球大战》中的角色,你选谁?为什么?”他是这么说的:

    如果某人愿意扮演R2D2【译注1】,我就会认为这是一个很好的工程师,能够干实事,而且对周围的政治氛围没啥感觉。如果有人选择更漂亮一些的角色,比如秋巴卡【译注2】或是C3PO【译注3】,我就会认为这个人更易于接触,就像润滑油,能让团队的运作更加有效。

  5. 让团队做最终决策——将会跟应聘人一起工作的人们必须有这个愿望。

    我们有一个称为“跑过惩罚通道”的流程,也就是在最后一轮面试中,不管应聘人有多么资深,我们都会让团队中的新手去面试他。如果新手们回来跟我说他们不喜欢这个人的风格,或是说应聘者不愿意回答新手们的问题,不想说明自己过去如何培养新人,这样的应聘者是不会通过的。

  6. 选择合适的技能组合——把你需要的技能列出来,并去匹配对应的人,而不是他们的职位名称。

    要制定出技能及其延续计划,说明你如何让自己在短时间内变得多余,因为每个人参与某个项目的时间都是有限的。

  7. 主管要让自己无足轻重——主管必须从团队的前台退到幕后,而且知道团队对于自己要达成的目标的理解扎实无误,同时为团队完成工作提供支持。

    要度量下面这个核心和关键因素:在项目移交之前,团队如何交付项目的业务价值?

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/6906/viewspace-606024/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/6906/viewspace-606024/

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。
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