我是个香港导演(三五个人十来条抢如何成为正规军三十八回)

本文探讨了关联性思维在软件开发及管理中的应用,并强调了如何通过系统性思考发现需求背后的规律与趋势,提出了建立需求管理系统的重要性。
关联性思维,这是一种很重要的思维方式,很多创新高手都据用很强的关联性思维。他们往往能把随时随处随地看到的一些东西与自己手头上的工作联系到一起,不管我们在开发,管理,创业上,我们都非常需要这种关联性思维。
咨询业有一个很好的分析企业管理的方法,就是组织机构、职责、流程、考核。
我设计开发软件的时候也是这样,先把第一优先级的,互相关联的功能先设计出来,然后边开发边进行第二优先级的功能设计,这样就保证了设计、开发、测试、文案在同时工作,将串行变成了并行。
要注意记笔记,将自己平时所看所想,记录下来,有时用纸,有时用手机,最后都誊到笔记本电脑上。
大家都知道,白纸上画画最好做,最难做的就是维护已有代码,大刀阔斧改还不让,不改又不爽。
系统性思维,从产业来看,从竞争格局来看,从行业趋势、挑战、机遇来看。有句话叫“流星走过的地方,必留下它的痕迹”。这句话我想说的是:虽然你只能不见森林只见树木,你只能看到每个具体客户的每个具体的很细节的需求,但是当你把4-5年的需求都拿出来过目的时候,你会发现其中的规律性和趋势性。如果你没有这样一个需求管理系统,建议你还是建立一个。这会让你大处着眼小处着手,高低伸缩自如。
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 机器学习是工智能(Artificial Intelligence)的一个分支,也是实现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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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