热心读者对《猎豹行动》的书评

《猎豹行动:硝烟中的敏捷转型之旅》已经出版一周年。期间收到不少热心读者的反馈,在此摘录部分书评,仅供参考。

来自读者群:

这种小说体的,很有代入感,而且能直接对号入座,让自己知道具体该怎么做。很多人都局限于找理论书看。我自己在敏捷的道路上走了很多年,收益很多。并不是懂得很多敏捷理论就能实践好的,很缺这种小说体代入感强的指导书。

1、看完后,从整体上对一个大集团内部如何从瀑布转敏捷,有了基本的认知;
2、每一章最后的本章知识点小结,非常好,把重要的知识点简明扼要得列出来,非常好,能加深记忆;
3、用一个金融业IT公司的例子来讲,如果是之前没接触过这块的,会看得稍微有点晕;
4、里边人物牵涉比较多,看的过程中得努力记住才行,可以考虑把附录的人物关系图放在前边,而不是在最后;
5、可能是受限于32开的版式,里边的有些图确实字有点小了。


总体来说,是一本非常好的关于敏捷实操的书,里边介绍到的JIRA、看板、TOC、关键链等等非常实用的工具软件、管理技术,都非常好。

这本书则刻意写了四个案例:一个失败的案例、一个看起来简单但是很有价值的案例、一个完全基于看板的成功运用以及组织变革并成功了的案例,我觉得很受用。尤其是从瀑布模型到敏捷时,你会不愿意尝试,因为新方法带来风险,这是未知的风险,意味着管理成本的浪费。你不知道什么时候会失败,会害怕失败,哪怕你毅然决然选择了敏捷,你同样会害怕失败而直接影响到你的决策。

几个案例里边并不是全部都是成功的,失败的案例有些时候更有参考而且他用小说题的方式,使得整本书看起来是非常有整体感,按着时间顺序一路看下来,使你能够记得比较清晰的部分就会比较多。

还有每章结尾会把这一章所用到的技术,做一个简单的罗列,我觉得这个是非常好的。

来自微信读书:

一部公司开发模式的转型史,而且能把这么专业的理论写成小说还不枯燥。每个情节不是刻意为理论背书,但确实是由浅入深的讲解,佩服作者的文笔和手段。

强推的一本书,拒绝枯燥的理论,而是通过故事的方式将实际面临的问题及解决过程呈现给读者。

写得很生动,敏捷转型在传统行业是困难重重,天时,地利,人合缺一不可。真正要落实变革不是一句口号,而是大家智慧的结合,对价值的认同感…

以故事的形式来讲敏捷,的确是更通俗,容易理解。但是也容易变得发散,书中缺乏一些实质性和概括性的总结。还有就是涉及的知识点比较多,很难通过这样一个故事把敏捷相关的内容讲深,以及敏捷对应的角色关系和人员配合、考核机制,介绍也不深。不过,总的来说,作为入门来了解敏捷,还是可以看一看的书。

总的来说,值得一读。举的例子都是日常中会碰到的问题。也用一些很生动的例子解释了敏捷,精益中一些不太容易理解的术语。

能够以故事的形式讲述了敏捷开发从提出到实施起来遇到的重重问题,打破以往的瀑布开发模式转型敏捷着实需要勇气,IT部门也是鸭梨山大,文中提到的很多敏捷开发中的想法值得深入思考,MVP在很多应用场景下也可试用!

看这本书收获颇多,感慨也多。作者对敏捷的概念和方法掌握得透彻,对在国内落地遇到的问题介绍得也很到位。

通过小说体介绍方法和技术,也不显得枯燥。

然而问题也在这里。从内容而言,本书还是一本IT管理方法方面的书。采用了小说体,导致其密度降低了太多。
如果从小说的角度,则更不足观。书中有大段的方法介绍,是书面表达,却让人物用语言说出,实在违和。若论情节设计,人物冲突,则几乎没有可谈之处。
所以只给三分,和书中提到的仿效对象《目标》、《凤凰项目》,很难比肩。但作为敏捷的扫盲读物,还可以一看。

来自网上书城:

用讲故事的方式使得文字浅显易懂,很有代入感和借鉴性,推荐。

挺好的,敏捷其实不仅仅在于工具,更在于人!

值得一看的敏捷开发和管理类图书。本书用讲故事的方式将敏捷开发中原则方法和实践娓娓道来,故事精彩引人入胜。从中看出作者写作功底之深厚,而且对敏捷开发认识精深,把握应用实践之精准,对于敏捷开发有一定了解的人都会引发共鸣,为我们这些深陷敏捷开发误区的人指明了方向,有拨云见日之感。


相关文章:

《猎豹行动》出版一周年了!

来自ThoughtWorks肖然的推荐

大脑中的敏捷,肌肉中的DevOps - 中国版“凤凰项目”序

关于作者


刘华(Kenneth)

  • 就职于世界500强银行,负责基金服务业务软件开发与交付

  • 敏捷、精益、DevOps专家

  • 精通极限编程、Scrum、看板方法、测试驱动开发、持续集成、行为驱动开发、DevOps工具栈

  • 曾在GDevOps、DevOpsDays Meetup、中国软件技术大会、ArchSummit等论坛发表主题演讲

  • 著有《猎豹行动:硝烟中的敏捷转型之旅》一书

购书通道


纸质书、电子书在京东当当亚马逊微信读书等渠道已全面上架,搜索“猎豹 敏捷”。

当当自营购书码:

京东自营购书码:


有声书已登录喜马拉雅、微信读书,适合路上听书的你

长按二维码识别收听:

关注公众号看其他原创作品

觉得好看,点个“在看”或转发给朋友们,欢迎你留言

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