项目管理沙龙第二次聚会纪要

项目管理沙龙第二次聚会纪要

本次话题依然集中在敏捷方法和传统项目管理的问题上,在两次聚会之后,一些概念正在渐渐地清晰。

有人提出,如果传统项目管理方法将敏捷的一些做法接受过来,是不是也会变得敏捷起来呢?在讨论中大家发现敏捷的一些做法原本就是早已存在的一些通用的做法,例如头脑风暴、集体评估story的点数、定期的回顾总结、团队工作等,这些做法传统项目管理方法也在做,但是为什么效果不如敏捷呢?关键还是在于敏捷和传统方法的本质区别:后者认为人是需要监管的,需要一个项目经理去监督他们,不让他们偷懒,并需要别人指导项目组成员如何去工作;敏捷的理念正好相反,它认为人是可以激励的,项目组成员天然就有一种保质保量完成任务的愿望,管理者只需要引导他们。从实践来看,用传统方法管理项目,始终无法做好项目规模的评估和进度预测,但是在使用敏捷方法的两个迭代内就可以轻松得到,这个也是我们敏捷实践中得到的最让人惊讶的成果。

传统的项目经理需要很高的能力,他们首先需要能够准确评估每个任务的规模,其次需要及时跟踪项目的进度,还需要收集项目过程中的数据,以便进行评估和预测。另外,他还需要和客户沟通,确保需求的稳定或及时提出需求变更请求,然后定期填写一大堆的报告和表格,向不同的人报告 ... 。有人认为敏捷方法对项目经理的需求比传统的方法还要高,而且这么“高”的项目经理几乎是不存在的。可是只要去回顾实际的敏捷实践过程之后,我们就会发现情况恰恰相反,敏捷方法对项目经理的要求是降低了。实践中我们一个之前没有项目管理经验的人,在敏捷团队的项目经理位置上做得很好。如果我们深入地思考敏捷管理方法,就会发现敏捷团队的管理任务其实是分散到了每一个成员的身上,敏捷和传统管理方法相比,就像是拿“分布式计算”和传统的“单机运算”相比,结果也当然是一样了。敏捷的项目管理力度其实比传统的指令式项目管理方法要高,但是平均到每个人身上的管理任务却比传统的项目经理一个人要低很多。这不正是我们经常谈论的“负载均衡”吗?

与会的嘉宾们一致同意敏捷的一个缺点,就是容易“只见树木不见森林”,认为敏捷团队中依然需要有设计师这样的角色去关注整体架构的实现和演进。

在谈到人员能力问题的时候,我们提到了“检查表”。大部分人都没有关注检查表这个东西,而事实上,检查表是一个公司管理能力的直接体现。一个管理稳定的公司,必定有很多“检查表”在支撑整个公司的运作。简单地通过“检查表”的形成过程,我们就可以了解到这个“检查表”的价值所在。首先公司在实践中得到的经验,会以检查表的形式沉淀下来,并且在实际使用过程中,会逐渐地改进,所以一个公司的检查表肯定是最贴合这个公司实际运作的(因此检查表拿到其他公司去也用处不大,这个也是检查表不为人所知的原因之一了),随后,检查表的使用者只需要直接对照表格内容进行实施和检查,最终就可以把事情做完,或者得到一个评估结果。而且,我们可以看到,检查表的使用者其实并不需要是专家,只要不是文盲就可以了。专家在设计完检查表之后,可以去做别的事情。

最后,我来谈一点沙龙本身的问题。

本次沙龙的缺席率比较高,没有通知就缺席的人数有两位,也许是国庆长假即将到来的缘故吧。但是还是引出两个问题,一个是共同话题如何提炼,第二个是如何让这个聚会对大家产生实际的作用。但是归根到底有一个问题需要首先解决,那就是需要激情和耐心。沙龙不会承诺给大家什么东西,“师傅领进门”,“修行”都要靠“自身”,何况一个小小的沙龙呢,它只是一个交流场所而已。

对于共同话题的提炼问题,我认为还是需要沙龙参与者之间的频繁交流,要么是BBS,要么是即时通讯会议,或者干脆碰头几分钟也可以,实践中使用邮件讨论的方式证明效率太差,达不到双向沟通的效果。其次对于沙龙产生实际作用的问题,目前来看有如下几种:集体阅读,实际案例分析,提问。目前候选的图书有《项目百态:深入理解软件项目行为模式》,如果可以找到电子版,我们可以从中选择几个典型案例来讨论一下实际的应对方式。



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。
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