转:纵横四海

在三年时间一共经历了四次比较大的项目和一些和ERP相关的其他项目(比如预算,以及数据展现项目),角色由最开始的:普通研发,研发负责人,产品经理(负责撰写产品的需求文档),研发主管,项目负责人,我深刻的发现这个路线对于从技术做起,并且一直希望从事企业信息化建设的朋友的确是一个“一个都不能少”的步骤,以下我来分析一下每个阶段都需要什么样的能力吧。
   普通研发:一般是刚刚进入ERP研发的朋友,他们不知道ERP为何物,针对这一点我是感同身受的。IBM项目经理让我作AP发票接口程序时,我直到作出来后也不知道这个功能在整个企业的信息架构中的位置。总之在第一个阶段自己就是模模糊糊,解决问题也好像由凭运气的感觉(感觉oracle erp庞大得让人窒息)。在第一个阶段主要的进步在于:掌握了PL/SQL开发语言,发现其实SQL可以作很多事情,并且效率更高。
   研发负责人:在经过第一阶段的煎熬后,第二个阶段作事情就由了一些头绪,但是第二个阶段还主要停留在研发上,在这个阶段可以清晰的意识到那些时重要的,那些是开发中容易出问题的,可以主动的承担比较重要的开发,这个阶段时应该是项目的主要研发人员了。这个阶段主要的特点是:编写复杂的PL/SQL没有问题,发现这个语言很强大,并且发现ERP是企业的核心系统。很多系统都要依靠ERP来实现。在方案讨论阶段主要是参与角色,对方案整体没有太多的发言权。这个时候对企业最大的价值在于你的研发能力。

  产品经理:这个职位在百度简称PM,主要的工作就是写需求文档。主要的工作包括:接受用户的需求,和用户讨论需求,撰写需求文档,和相关人员一起讨论需求文档。这个工作我觉得是一个比较有挑战的工作,这个工作可以迅速的提升自己的沟通能力以及文档撰写能力。我作研发时,应该说不是很善于表达,当时作了产品经理后就不一样了,必须面对需求方,并和他们沟通,所以每天都要和他们在一起讨论需求,很多时候都要将我们的设计讲給需求方。这样的过程是潜移默化和无声无息的,作了三个月后猛然的发现自己的表达能力提高了,白板笔的板书也很是不错。所以我觉得这个职位給我最大的锻炼就是:提高自己的沟通能力。

   研发主管:这个和前一个角色不一样的是,这个时候负责研发的工程师应该有了一个团队了,再也不是孤军奋战了。主要的工作是参与方案的制定,利用自己的经验匡正方案的过失,保证项目正常有序进行。这个时候对于企业的价值在于:你可以利用团队的力量进行项目的开发。你的核心能力是:项目技术把握,保证研发的产品可以很好的贴合企业现状。
   项目经理:和前面三个角色不同的是,这个阶段可以不直接负责编码,但是在研发阶段积累的强大经验,你会发现在讨论项目时你的发言可能会是点睛之笔,提出的方法贴身。这个阶段研发已经不是我的主要工作,主要的工作都体现在与人沟通,项目计划上,项目如果涉及多个部门,那么对于研发人员最大的障碍就是和其他部门进行沟通,这个对于技术人员来说可以说时天生的有一些障碍。这个阶段你的核心能力是:项目需求讨论,制定项目方案(不主要参与),制定项目计划(计划->任务->工作计划),并保证项目执行。
  项目经理以上应该是信息化的主管,他的主要核心能力就是确定较大项目的开展,开展方式,时机等等。

  总结一下:
  普通研发=技术+少许业务
       研发负责人=技术精通+业务熟悉
       产品经理=业务熟悉+良好的表达沟通能力
       项目经理=业务熟悉+了解技术+计划能力+协调能力
         

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/12122734/viewspace-760640/,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/12122734/viewspace-760640/

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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