【转】交付项目 check list-管理篇

项目提测CheckList通用版 编写完善checklist目的 维护一套checklist,借鉴测试,较少常规测试和常规bug。 提测说明 新增模块 修改模块 影响范围 测试注意事项 前端: 界面控件标题是否正确 界面控件必填项检查(null,空格等) 下拉框选择项检查 文本输入框检查(最大最小字符数等长度限制) 输入合法性检查(文本OR数值,是否支持小数) 联动关系检查(地区等) 按钮功能是否实现(重置/取消... 阅读详情

1. 从第一天开始就要告诉客户,如果要做好一个项目一定需要你们的配合、支持和反馈,否则项目一定会失败

2. 有规律的给客户做项目Show case,频率最好保证在1-3周左右

3. 如果想要引导客户,首先团队要有自己的主见。要主动思考和琢磨,想的比客户远,思考的比客户深,看的比客户全

4. 每次客户开会的时候,需要整理会议记录。讨论问题的时候,尽可能在现场决策。如果现场无法决策的问题,指定一个具体的Owner

5. 团队需要维护一份需求列表和Issue列表。对每一项需要有来源、优先级和Esitmate

6. 实体的卡片墙是效率最高的项目管理工具,但还是需要维护一套电子版的需求和Issue列表

7. 当团队规模大了,或者有分布开发团队的时候,物理墙也许无法满足要求了,这时候需要选择Mingle之类的工具

8. 每次迭代或发布,一定要制定一个目标。比如:第一个次发布的目标是:销售经理职位可以在线提交简历和考试。

9. Share responsibility,让每个成员Take一部分责任,让他们感受到自己在团队中的价值,这才是最重要的激励

10. Share responsibility的前提是Share information。把项目邮件抄送所有的成员,和大家分享每一个项目的决定。

11. Iteration 0是有必要的,让团队搭建开发、测试的框架和环境,熟悉技术和业务,做一些开发和Spike

12. 项目开始的2-4周会比较紧张,因为这时候大家对技术和业务都不熟悉,必须要很多额外的付出才能保证团队有一定生产率

13. 开发节奏很重要,一般原则是先紧后松。当然,如果团队每个人都很牛,确实可以一直很从容,但这样的团队也是非常昂贵的。

14. 回顾会议是很有效的Team Building,让每个人敞开心扉的交流。一般2周左右举行一次

15. 成功的项目,一定要有5顶帽子:客户的帽子、PM的帽子、Tech Leader的帽子、QA的帽子、公司的帽子。每顶帽子对项目的成功都有各自的定义,他们互相牵制和影响,配合得当,项目就会很健康并且容易成功

阶段评审Checklist:项目经理必备的25项检查清单 阶段评审是项目管理中非常重要的一个环节,就像我们在建造一座大楼的时候,要在不同的建设阶段检查一下,看看大楼建得是不是符合要求,有没有什么问题。项目经理使用阶段评审Checklist,就是为了确保项目在每个阶段都能顺利进行,达到预期的目标。这个检查清单的范围涵盖了项目的各个方面,从项目的进度、质量,到团队成员的工作情况,都要进行仔细的检查。接下来的文章中,我们会先通过一个有趣的故事引出阶段评审和检查清单的概念,然后详细解释这些概念,说明它们之间的关系。 阅读详情

相关推荐

checklist-going-live:项目上线时使用的清单

所有上线项目的清单 每当项目在时,都会使用此清单。 支持我们 我们投入了大量资源来创建。 您可以通过来支持我们。 非常感谢您从家乡寄给我们一张明信片,其中提到您使用的是哪个包装。 您可以在上找到我们的地址。 我们将所有收到的明信片发布在。 1. Browserstack测试 桌面版:在最新版本的Chrome,IE / Edge,Firefox,Safari上进行测试 移动版:在最新版本的Mobile Safari,Android上进行测试 2.前端清单 资产 搜索源http:// 。 替换为https:// Lint(S)CSS来源 Webfonts:是否在Typekit,Fonts.com等服务中配置了实时域? 浏览器列表是否已针对autoprefixer和babel-preset-env正确配置? 使用PurgeCSS时:检查是否保留布局。 剧本 是否存在yarn.

项目管理交付物Check List

PMO的工作包括提供项目管理过程模板,并确定里程碑节点交付物Check List。传统瀑布式项目重文档,一个大型项目的SVN库,能有100G资料。因此文档资料不在多,而在于是否做了适应性的裁剪,取不同类型、级别项目必需文档的最大公约数,作为项目的一项考核清单。既保证了项目关键文档的归档,也在过程中提升了项目经理的项目管理能力。 Checklist 除了上图中的交付物,还可添加: 项目启动阶段,...

kyle1111 7169

从零开始安装pytorch(包含GPU和CPU版本的安装)

Pytorch是。

qiaoxinyu1989的博客 8万+

Checklist设计编写规范及模板

一.编写CHECK LIST的目的: 1 保障所有的测试面都考虑到并被记录;【与无线相关的接口要考虑到无线;联动优势的退款要考虑到断账日前后】 2 保障TESTCASE已经覆盖所有的测试主体; 3 提高TESTCASE的REVIEW通过率。 二.CHECK LIST定义 CHECK LIST要包含从执行测试开始到发布完成后之间的所有检查内容。 TEST CASE是CHECK LIST的...

疯批美人 4万+

高通Camera PDAF调试实战:从Type2到Type3的避坑指南与Log分析技巧

本文深入解析高通Camera平台PDAF调试实战,重点对比Type2与Type3的核心差异,提供详细的配置迁移方案和Log分析技巧。针对常见兼容性问题如对焦速度变慢、低光失效等,给出具体解决方案,并分享性能优化案例与高级调试工具链,帮助开发者快速提升PDAF调试效率。

weixin_29164185的博客 414

通达信烽火起爆指标公式

STICKLINE(IF(起爆666,-120,0),+33,0,3.4,0),COLOR007777;STICKLINE(IF(起爆666,-120,0),+33,0,1.8,0),COLOR009999;STICKLINE(IF(起爆666,-120,0),+33,0,1.2,0),COLOR00BBBB;STICKLINE(IF(起爆666,-120,0),+33,0,0.6,0),COLOR00DDDD;STICKLINE(起爆666,0,100,9999,0)*起爆,COLOR000000;

zhibiaogong的博客 3907

日常工作检查表-----Check List

1.配置文件config.properties: 对dubbo的调用,是否正确的连接到了北京dubbo测试环境(192.168.211.231),有可能由于测试淘宝等问题,被改到了深圳dubbo环境(10.0.30.188),这样,数据库就连接到深圳库了... 2.C#引用Java WebService: 如果参数是简单类型的列表,则参数是不允许为空的,比如:@WebParam(name =

Java之旅 1万+

蓝牙开发那些事之ceva controller代码解读

对比ceva的经典蓝牙和ble的controller在软件上的差异点

袁赟的博客 1094

开发管理 CheckLists(1) -启动项目

个人博客已经迁移到如下网站 萌萌的IT人, 后续所有的文章都会在此发布   ---------------------------------------------------------------------------------- 注:本系列文章是开发管理的checkLists ,主要的目的是用来检测和提示在该模块的工作中哪些应该做,哪些没有做.所以各个的功能点可能不会讲解的...

掬水月在手,弄花香满衣 445

CMake安装grpc生成gRPCTargets.cmake文件

以下是安装语句: cd grpc_folder git submodule update --init cmake .. make -j 4 sudo make install 然而编写依赖gRPC的程序,发现无法调用gRPC的CMake文件,错误提示如下所示: include could not find load file: /usr/local/lib/cmake/g...

2332

机器学习——笔记整理(原理、python代码)——反反复复,出精活!

回顾知识,检查自我,开拓新域。 机器学习1.监督学习 机器学习简介: 机器学习是实现人工智能的手段,其主要研究内容是如何利用数据或经验进行学习,改善具体算法的性能。 多领域交叉,涉及概率论、统计学,算法复杂度理论等多门学科 广泛应用于网络搜索、垃圾邮件过滤、推荐系统、广告投放、信用评价、欺诈检测、股票交易和医疗诊断等应用。 机器学习分类: 机器学习一般分为下面几种类别 监督学习 ( Supervised Learning) 无监督学习 ( Unsupervised Learning) 强化学习(

weixin_45666566的博客 6489

软件产品交付资料测试checklist

 

qq_29118473的博客 1666

180.在 Vue3 中使用 OpenLayers 实现多个多边形的绘制、编辑、删除与清空

【摘要】本文介绍如何在Vue3+TypeScript环境下使用OpenLayers实现多边形地图交互功能。通过Composition API封装核心逻辑,实现了多边形绘制、编辑、删除及清空等操作。关键技术包括:使用VectorLayer管理图形数据,Draw/Modify/Select交互控制,以及通过ref()管理交互状态。文中提供了完整代码示例,并解决了交互对象叠加问题,为开发GIS应用提供了基础模块。该方案支持扩展为数据库存储、后端交互等高级功能。

小彭的博客 771

『转贴』一个项目经历的CheckList

文章出处:http://www.blogdriver.com/service/tb.do?diaryID=263279[@more@]我的团队开发活动Check List- -...

cuijiao8029的博客 575

【Java核心高阶进阶】44-Java8核心新特性

模块十:Java新特性演进 · 第 1 篇Java 8 是 Java 语言历史上最重要的一次发布,它引入的函数式编程范式从根本上改变了 Java 的编码方式。即便到了 JDK 21 的今天,Lambda、Stream、Optional 仍是日常开发的高频工具。本篇将深入这些特性的语法、原理与底层机制,帮助你不仅会用,更知其所以然。

gaochufukanyongren的博客 24

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

做机器学习项目的checklist

2020-01-20 18:06:29 作者:datarevenue 编译:ronghuaiyang 导读 这个checklist能帮助你迈出做一个成功的机器学习项目第一步。 避免混淆,用这个简单的清单来计划你的 AI 项目。 对许多人来说,机器学习仍然是一项新技术,这可能会让它难以管理。 项目经理通常不知道如何与数据科学家谈论他们的想法。 在我们规划 30 多个机器学习项...

喜欢打酱油的老鸟 1540

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

做业务项目的checkList

下面是我自己的一些总结,都是做项目过程中血的教训,一定要遵守!   1、项目的需求阶段,需要多想想需求的合理性,一定一定要多问几个为什么。业务的合理性理解了,才能透彻的看到需求背后的理性和逻辑,也有助于真正理解业务,项目不是按部就班的编码   2、项目的时间估计,要包括设计时间,编码时间,自测时间,以及应付日常工作的时间。其中要在设计比较透彻的情况下,才可能有合理的时间估计   3...

令狐冲的专栏 664

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

工作交接checklist

作者:焦振清 时间:2017-11-22 天下没有不散的筵席,在实际工作中,总会有人因为各种各样的原因而离开。那么交接工作如何顺利有序进行,不仅关乎交接期间的稳定性,也关乎到好聚好散以及离职人员和团队今后的口碑,因此交接工作就显得非常重要了。作为团队来讲,应该将交接工作流程化,从而避免在交接工作中可能发生的各种各样的问题。 接下来,和大家分享下,我们在实际交接工作中的一些重点内容: 服务预案,...

zhinengyunwei的博客 1981

运维自动化——系统部署

运维自动化发展历程及技术应用安装程序CentOS的系统安装 系统启动流程: 引导加载器 - &gt;内核(initramfs的) - &gt;根文件系统 - &gt; / sbin目录/初始化anaconda:系统安装程序GUI:图形窗口tui:基于图形库curses的文本窗口安装程序启动过程MBR:ISOLINUX / boot.catstage2:isolinux / isolinux.bin...

su_chao的博客 2856

模型之外的那套装置:用 AI harness 完成一个三端同步应用

AI harness 指模型之外、让模型能持续产出可交付软件的全部工程装置。本文把它称作"支架"。它由五层构成:输入层规定模型读什么,反馈层规定模型怎么知道自己错了,观测层把界面与设备状态变成可读事实,记忆层让跨会话不失真,边界层规定哪些动作不许模型自行作出。支架的价值在六天里可以直接计量。

Leo的Matrix 184

如果用pytest命令启动测试脚本有哪些方法和参数呢?请详细解析

pytest的命令行启动非常灵活,它围绕“”、“”和“”三个核心维度,提供了一套强大的参数体系。

simpleness_的博客 243

附录一源码阅读路线与断点索引

本索引固定于Boot 3.5.7与Framework 6.2.12。先选择要解释的现象,再打开对应源码。表中观察对象是逻辑名称,不保证在所有重载中都是同名局部变量。抽象接口和注解用于阅读契约,不提供可执行方法体断点。

weixin_45476869的博客 164
上一篇: 【转】敏捷十三
下一篇: 【转】敏捷咨询工具箱(三)──结对辅导
view1221
博客等级 码龄19年 4粉丝 2原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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