敏捷个人 - 从Scrum实践来思考如何导入价值观

  在敏捷个人价值观,欢迎提出你的意见和你的价值观中我介绍了一下我对敏捷个人价值观的一点初步理解,在这里也很感谢大家对blog的积极回复以及直接给我发邮件进行交流,你们的反馈是我们完善敏捷个人的最好参与方式。

大家对价值观的态度

  上篇我说的价值观就像一些朋友所说,可能有点不正确,它是The way of Thinking部分,是价值观、原则、态度和约定等。鉴于我还没有完全弄清楚这些内容,下面暂且还是以价值观代替,请读者注意下。

  以下向大家汇报一下大家的反馈:

  1. 认可重要性,是该停下来思考一下了,但又一时难以理解  70%
    从大家反馈能看到,大部分都像我以前的认识一样,认可价值观的重要性,但是很难一下子理解或有共鸣,也不想花太多时间去思考这些空虚的东西,还不如实际的去学习一些语言、框架之类的马上能用到的东西。
  2. 开始思考价值观     28%
    有18%的朋友对价值观已经持有自己的态度,比如对“发挥优势 胜过 弥补缺点”的理解,”沟通“的重要性,以及价值观、态度和行为的理解等,都存在一些理解的差异。从大家的这些反馈,我也看到了自己的不足,对价值观的理解还需要进一步深化,我想我还需要一个思考沉淀的过程,希望与大家一起思考。
    还有10%的人对我的一些价值观持赞成态度,例如对”知行合一
    “、"精力管理"等都持一致赞同意见,也有通过自身实践后赞同的价值观。
  3. 不赞同敏捷价值观的重视性       2%
    还有一些朋友,由于近期的工作、环境等因素,可能认为”挣钱“、”技能“等才是最重要的东西。当然,这样可以算是一个价值观,金钱至上,但它肯定不是敏捷个人的范畴,所以我把它归为把价值观认为不重要了

  2010062021570589.png

  本系列文章看的人并不多,这次总共收到的回复和邮件有80几份,从大家的态度来看,70%的人都开始意识到价值观对自己的影响,但还不能够清楚地认识它,有28%的人已经开始自己再思考自己的价值观,还有2%的认为价值观相比挣钱来说显得不重要。

  我在敏捷个人项目网站首页中我提到,如果你现在开始对自己的成功负责,不再指责他人、环境对你的影响,那么你已经做好准备实施敏捷个人了,虽然收到的回复并不多,但从人员分布来看,能看出大多数人都已经Ready了,那么我们如何认识和明晰价值观呢?以下我从我实施Scrum方法的一些理解来谈谈。

从Scrum方法来看团队对价值观的认识

  去年下半年到了一个新的项目组,业务是新的、团队是新的、技术也是新的,这三新决定了这个项目是一个高风险的项目,因为这存在太多的不确定性因素了。为了更好的推进这个项目,我当时在项目组推动了Scrum敏捷过程,自己大概又花了几周的时间系统化的学习了一下,然后与大家进行分享交流之后便开始了项目开发。

  从现在的结果来看,虽然不能说很好,但是我觉得应用Scrum方法对新业务来说还是比较适合的

  • 团队虽然在用Scrum做,但并不一定就理解它,包括我也是在不断地学习和思考

  有些人宣传Scrum方法对个人要求并不高,但是经过我的实践,我发现Scrum方法对个人的要求比传统方法的要求要高好几倍,甚至更多。

  我从一开始就比较重视敏捷价值观,我也和项目组说过几次,但是很明显能看出大家对它的理解只停留在字面上,并没有真正的反应在实际工作之中。但我知道,这的确要求个人有自我提高和思考的习惯,而一下子要求大家理解也是非常难的,之后我也没有再去宣传这些价值观,我想理解是个过程,能够理解当然好,不能理解就直接先应用Scrum的实践吧,至少我要让团队快速的进入Scrum方法的初级水平来进行项目开发管理。

  经过快一年的开发了,但我仍旧知道大家对敏捷的价值观念仍旧没有太多改进,仍旧还有人不知道整个Scrum的流程、不知道如何开站会。

  • 深层次原因

  我也思考过为什么会实践了这么久还存在这么多问题。由于有些人员是后期进入团队的,我后期没有再集中式的进行敏捷培训,我想这是一个原因,但是我发现原因不是培训与否,因为之前就听过培训的人员也不清楚敏捷过程,我想我对敏捷的导入没有更深入的进行是一个原因,还有管理、激励上的原因,但更深层次的东西还是个人对自我领导、自我管理、自组织团队的理解和应用不够,所以我才开始思考【敏捷个人】这个主题,并现在把它提升为我的一个业余项目来做的原因。虽然这个任务比以往写框架更艰巨,但我觉得价值更大,因为它能帮助更多的人。

由Scrum想到敏捷个人价值观的导入

从我对Scrum的实践可以看出对于Scrum以及价值观的导入其实是比较难的一件事情,同样,敏捷个人价值观一样很难直接导入,原因大概主要有:

  • 价值观是深层次的东西,对个人要求其实比较高,但并不是很多人都具备这个能力
  • 价值观是后天培养的,培养这些价值观需要有人指导并加以实践
  • 价值观是个人对事物的认识,统一不同人的观点比较难

虽然我认为价值观是一个人做事的起点,但是我知道想把它应用到更多人身上就会遇到以上的一些问题,我也在思考如何导入敏捷个人价值观,我想我可能会通过以下方法来进行:

  • 不一开始就介绍价值观,先从个人管理开始,从大家直接能感受到的问题入手,引导大家逐步对较深层次东西的思考
  • 由价值观引申一些实践和原则,希望大家通过对这些可执行的东西进行操作后不断修正价值观
  • 通过更多人的参与,不断思考敏捷个人核心价值观,完善我们的知识体系

 

决定掌握自己的一切了吗?如果是的话,那么就请关注敏捷个人】,如果你想参与进来提出你的建议或参加调查,那么请邮我:zhoujingen@gmail.com

 

欢迎转载,转载请注明:转载自周金根 [ http://zhoujg.cnblogs.com/ ]

  

转载于:https://www.cnblogs.com/zhoujg/archive/2010/06/20/1761546.html

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