[书目20150303]软件工程的本质:运用SEMAT内核

 

译者序
Robert Martin作序
Bertrand Meyer作序
Richard Soley作序
前言
致谢
第一部分   内核思想解释
第1章   简要介绍如何使用内核
1.1   为什么开发优秀软件具有很大的挑战性
1.2   认识软件工程的本质:内核
1.3   应用内核处理特定挑战:一个例子
1.3.1   进入问题的要点
1.3.2   处理挑战
1.4   学习如何使用内核处理开发挑战
第2章   关于内核的一些更多的细节
2.1   如何使用内核处理特定挑战:一个例子
2.2   阿尔法介绍
2.3   阿尔法使用状态帮助团队取得进展
2.4   更多关于内核的内容
第3章   纵览完整的内核
3.1   内核的组织结构
3.2   对于进展和演变是本质的事物:阿尔法
3.3   对于做什么是本质的事情:活动空间
3.4   所需的本质功能:能力
3.5   更多关于内核的内容
第4章   利用卡片使内核阿尔法变得具体
4.1   使用卡片帮助处理特定挑战:一个例子
4.2   使内核活跃起来
第5章   通过实践了解更多有关内核的细节
5.1   使实践变得清晰
5.2   实践的明确程度
5.3   从实践中构建方法
5.4   学习方法和实践
第6章   内核可以为你做什么
6.1   开发卓越软件
6.2   成长
6.3   学习
6.4   演进
延伸阅读
第二部分   使用内核运行一次迭代
第7章   使用内核运行迭代:计划-执行-检查-调整
7.1   使用的术语
7.2   计划-执行-检查-调整
7.3   设定场景
7.4   下几章的重点
第8章   计划一次迭代
8.1   用阿尔法状态指导计划
8.1.1   确定当前的进展
8.1.2   确定下一步工作目标
8.1.3   确定如何完成目标
8.2   确定当前状态
8.3   确定下一个状态
8.4   确定如何达到下一组状态
8.5   内核如何帮助你进行迭代计划
第9章   执行和检查迭代
9.1   使用内核执行和检查迭代
9.2   执行和检查我们故事中的迭代
9.3   内核如何帮助你执行和检查迭代
第10章   调整工作方式
10.1   使用内核调整工作方式
10.2   调整我们故事中的工作方式
10.3   内核如何帮助你调整工作方式
10.3.1   明确工作方式
10.3.2   改进工作方式
第11章   使用明确的需求项状态运行一次迭代
11.1   使用明确的需求项完成工作
11.2   计划我们故事中的迭代
11.3   进行我们故事中的另一次迭代
11.4   调整我们故事中的工作方式
11.5   讨论
延伸阅读
第三部分   使用内核运行一个软件开发工作
第12章   运行一个软件开发工作:从想法到运营
12.1 我们故事中的人物和他们一路上所面临的挑战
12.2   了解组织环境
第13章   创建业务案例
13.1   准备开始我们的故事
13.2   了解机会和涉众
13.3   了解解决方案
13.4   准备工作
13.5   制定一个概要计划
13.6   建立时间进度表
13.7   内核如何帮助你开始
13.7.1   拥抱你的涉众
13.7.2   指导开发
13.7.3   预先计划
第14章   开发系统
14.1   构建骨架系统--让它能工作
14.2   涉众参与
14.3   开始开发
14.4   建立一个各方都认可的工作方式
14.5   使骨架系统可用--让系统工作得更好
14.6   保持涉众参与
14.7   演化一个可用的系统
14.8   找到一个好的工作方式
14.9   演进为可部署的解决方案--结束工作
14.10   通过验收
14.11   准备交付
14.12   完成!完成开发工作
14.13   内核如何帮助你开发卓越的软件
第15章   运营软件
15.1   设置场景
15.2   上线--成功地部署系统
15.3   部署系统
15.4   两个团队之间的移交
15.5   支持系统直到其退役
15.6   我们的故事结束
延伸阅读
第四部分   利用内核来规模化开发
第16章   规模化意味着什么
第17章   细化内核来提供更多细节
17.1   对于缺乏经验的成员将"实践"变得精确
17.2   实例:需求获取的实践
17.3   实例:验收测试的实践
17.4   了解实践是如何协同工作的
17.5   "明确的实践"的价值
第18章   拓展内核来适配不同类型软件开发
18.1   商定需要使用的实践
18.2   适应你的开发生命周期
18.3   在开发过程中增量式地建立一个方法
18.4   大型组织中的方法
18.5   让团队控制他们的方法
第19章   向上规模化内核来适用大型复杂软件开发
19.1   大型软件开发的例子
19.2   利用阿尔法来组织工作
19.3   利用阿尔法进行可视化开发
19.4   利用阿尔法来协调开发团队
19.5   让团队成员参与内核的规模化
延伸阅读
第五部分   内核如何改变你在工作中运用方法的方式
第20章   考虑与不考虑方法
20.1   不停地思考方法
20.2   做比说强
第21章   敏捷运用方法
21.1   是整个团队而不是小部分人拥有方法
21.2   关注于方法使用胜过综合方法描述
21.3   不断演化团队的方法而不是保持方法固定不变
第六部分   真正新在哪
第22章   重建方法
22.1   并不缺少方法,缺少的是基础--内核
22.2   内核重视实践性
22.3   内核是可付诸实施的、可扩展的
第23章   在方法上应用关注点分离原则
23.1   将内核从实践中分离
23.2   将阿尔法从工作产品中分离
23.3   将本质从细节中分离
第24章   关键区分
24.1   方法上的创新
24.2   方便软件开发团队和专业人员的实用工具
第七部分   结语
第25章   这并不是终点
第26章   ……,但是现在可能是序幕的结束
第27章   愿景实现之时
27.1   对于软件专业人员
27.2   对于产业界
27.3   对于学术界
27.4   令人激动的未来
延伸阅读
附录
附录A   概念和符号
附录B   本书所涉及内容相比内核的差异
B.1   内核和本书都包含的内容
B.2   内核不包含但本书包含的内容
B.3   内核包含但本书不包含的内容
附录C   参考文献
C.1   SEMAT工作文献
C.2   SEMAT:其他文档和参考文献
C.3   其他参考文献
作者介绍
业内人士对本书的评价
索引

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