又做了一个郁闷的项目

本文分享了一次项目经历中的教训:初期需求分析不足导致后期整合困难重重。四个小组各自为政,最终发现彼此理解的需求大相径庭,功能勉强满足基本需求。作者强调了详细设计的重要性,并认识到软件工程实践中需求变更的普遍性。

快要做完项目才发现真正的需求不是这样子的。快要做完了才发现距离需求还差很远。

项目进行中四个小组都做了需求分析,可是很可惜各有各的需求。到项目整合的时候才发现项目中的需求并没有整合。结果大家做的都乱了。最后功能只是刚刚满足需求。

详细设计这是能搭一个比较详细的框架,而这个框架在日后的编码过程中肯定要在做改动。而且有可能做大的改动。没有想到的场景,没有预料到的情况,怎么可能有人详细设计写好了就不用改了呢?至少现在的软件工程水平还做不到这一点。

项目的感悟到不是太多。找到的需求漏洞倒是很多。听小宁讲的人生哲理倒是很多。正如老边所说:“不要指望一门课能是你成为编程的高手,或软件工程中的专家。”学到的softskill感觉还是挺有用的。至少知道怎样和人们沟通了。嘿嘿

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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