敏捷项目管理-迭代功能卡和停车场图

 
敏 捷项目管理是以迭代和功能为推动力的。功能的推动性表现在它将计划和执行的主要重点从任务转变为产品功能。这是与传统项目管理以任务为推动力的重要一个区 别。我们将整个需求分解为细粒度的多个功能点,只有每个功能点的开发和测试全部完成才对进度贡献和客户承诺有意义。这与挣值中的0-100法则是相吻合 的。
 
按需求和功能点进行WBS分解可能更难于管理,但是它跟开发人员的实际工作方式根据容易匹配,让项目的工作和与客户承诺保持同步。对于用户来讲只有真正可以交付的最终功能才是有价值的,而每一次迭代可以是一次交付,是对客户承诺和价值实现的具体体现。
 
迭 代周期的长短是我项目周期和项目对进度偏差限制密切相关的。一般而言在项目周期的15%左右处都应该设置相应的检查点或里程碑。以方便我们及早的发现进度 的偏差和资源使用情况,并对迭代计划进行适当的调整。同时里程碑点也可能是项目同步和整合的关键点,在里程碑点需要对各迭代功能进行整合并向用户交付。
 
迭代计划和里程碑的安排必须考虑客户价值和风险两个要素。迭代的目的就是要在降低风险的情况下尽量满足客户价值的实现。因此在迭代前期必须要考虑技术风险的减轻和应对方案,使风险明朗。同时要真正的做好需求分析和用户调研,优先交付用户最关注的功能点。
 
对于迭代计划的安排,主要涉及到如下活动:
 
1.确定已知的风险对迭代计划的影响。
2.确定里程碑和迭代周期。
3.为每次迭代(或者里程碑)制定方案。
4.根据优先级,资源,风险和依赖将功能卡分配为每次迭代。
5.结合功能卡和停车场图总结该计划。
6.根据人力资源可用性和工作量估算计划初步的项目进度。
7.必要时调整完成的计划。
 
 
对 于大型软件应用程序可能包含成千上万的功能,虽然开发团队需要制定详细的进度计划,但是客户和项目经理等往往需要一种粗粒度的方式进行管理。而以功能为推 动力的开发方法依靠的是粒度功能等级,《功能驱动开发》一书的作者德卢卡推荐的是使用停车场图来规划和报告组件活动的进展。
 
停车场图可以清楚的看到每个模块或功能的具体功能点数,完成的进度情况,是否延期和完成期限等重要信息。停车场图可以是迭代进度计划的进一步细化,由于简单直观而更容易使用到进度的跟踪和管理中。

客户团队只需要一起制定迭代计划(迭代功能卡图),而将每个迭代里面详细的进度计划(停车场图)留给具体的开发团队。这种两级的规划方法将给开发团队更多的灵活性。即使是对于较小的项目,活动和功能的两级法也可以协助团队思考某个产品。


注:以上内容来自网络,本人不承担任何连带责任
文章转自:http://blog.csdn.net/sharptoolbox/archive/2008/03/24/2212997.aspx
 
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,这些特征对于像和语音识别、自然语言处理、医学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,如像。它们使用卷积层来提取像的特征。 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