再说敏捷,兼对“对敏捷开发等时髦概念泼点冷水”的回复

再说敏捷,兼对“对敏捷开发等时髦概念泼点冷水”的回复

敏捷在国内的宣传中,给人的感觉是降低成本,实际上能做这些的咨询公司,人力的单价都很高,也会有一些商务的政策保护,如果把这钱给一些有经验的公司,我相信做的也不会差。

我一直认为敏捷能够提出,一定是要一个特定的行业背景的,这个背景我们现在根本不知道,到底当时市场发生了什么情况,要革谁的命,这个没人说。

今天看到一个革命者跳出来质疑,觉得很有意思,我主要是对他的一段话做了回复。这段话比较有代表性,下面的很多小孩也提出过很多类似的问题,这次就一并贴出来。

-----------------------------------------------------
敏捷已经不时髦了,质疑它没有什么不对的,不过还是建议你多做项目,多思考,方法论提出来的观点,到底是要解决什么问题的。如果你没有那种疼痛点,那么这些方法对你就没效。你没有这种病,并不意味着这药对其它的病没效。

“详细设计和编程阶段,我倒觉得确实需要敏捷一下。文档写了给谁看?东西做好了就行。不过,照scrum的观点,天天开例会,烦不烦呀?哪那么多成果和疑问呀?只有领导喜欢,天天看着燃尽图有变化,很有成就感。”从这段话里面,我觉得有几个问题需要你好好思考。

设计工作并不等于写文档,文档作为阶段成果物,是要提交给客户(合同里会有约定,客户也要依次做阶段评审和后期运维支持)和公司(公司做阶段评审和知识管理)的,但是设计会变化,这就要求文档跟设计开发同步,设计必须要做,文档也必须要同步,你跳不过去。所以会有各种工具,比如数据库你会用PD,代码你会用JAVADOC,还有一些自己开发的东西,比如你说的需求跟踪。项目越大,文档的要求越高,什么样的文档有用是另外一个课题,你可以多想想。敏捷方法里面没有提文档,但是我相信在实际的项目中,应该会有这些过程的,比如文档的编写和审核,没有这些项目肯定都走不下去,只是人家故意回避掉了而已。

“东西做好了就行”,这句话很有意思,经常听到这句话。我经常会问,你怎么来证明你做好了?你怎么证明你理解了业务的需求,并且对于你每天的工作任务的成果是有一个衡量正确与否的标准?我觉得测试驱动是敏捷方法里面最有价值的一块。不过测试驱动并不是测试代码先写,也不是单元测试。
同时,你说东西做好了,但是怎么让项目经理知道,并且让项目组都知道项目的进展?如果你是项目经理会怎样?汇报说代码开发的差不多了,还有2周就能做完。数字呢?没有数字没有图表,沟通汇报会非常吃力,如果客户和领导对项目的进展有质疑,那么会要求你做更多的解释,甚至抽人出去或者要求压缩进度。

日例会开着烦,那么想过为什么要开?还是沟通,另外也是要敲打一下你这样的人,呵呵。

现在很多的敏捷方法把一些以前忽略的东西做了补充,特别是个人的工作方法,能看到很多职业经理人培训的东西,比如GTD、会议管理、沟通、文案写作,比较不错,这些都是个人职业素质,直接影响到个人做事的效率,也对团队的效率造成直接影响,也影响个人的职业发展通道。我觉得这些比技术知识更重要,技术会淘汰,这些技能不会。
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