个人作业——软件工程实践总结作业

本文总结了一门软件工程课程的学习经历,包括完成约400-500行代码、投入123小时的学习时间等内容。作者分享了对团队协作、项目管理和软件开发流程的认识,特别强调了代码规范的重要性。

一、请回望开学时的第一次作业,你对于软件工程课程的想象

1. 对比开篇博客你对课程目标和期待,“希望通过实践锻炼,增强计算机专业的能力和就业竞争力”,对比目前的所学所练所得,在哪些方面达到了你的期待和目标,哪些方面还存在哪些不足,为什么?

答:对于课程期待,让我第一次了解关于项目的开发整个过程,学习到了关于代码规范、测试等,通过alpha阶段和beta阶段去完善项目,项目就好比初生的萌芽,逐渐发育成一课树苗,并且不断进行分支,每块逐步壮大起来。除此之外,让我了解通过团队进行开发项目,利是大于弊的。

2. 总结这门课程的实践总结和给你带来的提升,包括以下内容:

  • 1)统计一下,你在这门课程中,完成了多少行的代码;
    • 400~500行
  • 2)软工的各次作业分别花了多少时间?(做一个列表)
作业时间
软工网络15个人阅读作业12小时
软工网络15个人阅读作业2——提问题5小时
软工网络15结对编程练习8小时
软工网络15团队作业1——团队组队&展示2小时
软工网络15个人作业3——案例分析3小时
团队作业3——需求分析与设计5小时
团队作业2——团队计划2小时 
软工网络15Alpha阶段敏捷冲刺48小时 
团队作业6——展示博客2小时
团队作业5——测试与发布2小时
团队作业7——alpha阶段之事后诸葛亮分析2小时 
个人作业4——alpha阶段个人总结2小时
团队作业8——敏捷冲刺(Beta阶段)36小时 
beta阶段验收互评2小时 
个人作业5——软工个人总结2小时
总计123小时
  • 3)哪一次作业让你印象最深刻?为什么?
    • 比较深刻的一次是alpha阶段的冲刺博客,我学到新的关于网站搭建、数据库的建立与实际项目联系等等,通过几次例会去发现问题,大家一起探讨解决方案。
  • 4)累计花了多少个小时在软工上?平均每周花多少个小时?
    • 总的123个小时左右,平均每周9个多小时(3~15周)
  • 5)学习和使用的新软件;
    • vs2017,markdown,mysql,eclipse等
  • 6)学习和使用的新工具;
    • Xmind,Mockingbot ,startuml ,process在线作图
  • 7)学习和掌握的新语言、新平台;
    • Github,码云
  • 8)学习和掌握的新方法;
    • 原型设计,uml图的绘制,需求分析的NABCD模型,框架开发
  • 9)其他方面的提升。
    • 主要了解了开发软件的整个流程,学会写文档,使用github管理代码,以及明白代码规范的重要性。

二、写下属于自己的人月神话——个人或结对或团队项目实践中的经验总结+实例/例证结合的分析

  • 1、团队沟通非常重要。因为每个人都有不一样的分工,每个模块之间的协作需要团队成员之间的沟通。
  • 2、分工要明确。我们团队一开始分工不够明确,差不多每个模块每个人都有接触,有时某个模块卡住了,大家也都卡住了,效率非常低。后来我们渐渐地明确了分工,我负责的是后端开发,给前端返回相应的数据库数据。
  • 3、编码前的需求分析,类图,设计文档等一定要认真对待。因为这些将作为后面编码阶段的依据。

三、对下一届实践的建议,或者对于开学初的你,对于大一的你,对于开学初的我,你有什么想建议和告知的呢?对于后来人的期许。对于换人机制,有什么样的建议?

答:对于大一大二的阶段来说,像代码规范这类的习惯,就应该及早养成,这样会利于团队的开发。可以去多接触一些其他语言或者工具,而不单单说这学期课程是java,那么就只学一门。通过实际的项目发现,有时候需要
多种语言和工具才能实现最终效果。当软工开始再学习的话,时间是不多的,学习效果也不那么好。如果之前有学习过,那会更容易上手一个项目。对于换人机制,老师的初衷想让我们体验一下,在未来工作中进行团队开发,如果遇到意外事故、跳槽等,这样会给团队项目造成什么影响,那么该如何处理团队项目?这个换人机制是不错的,但实际中发现,换的人一般都不是团队开发的核心,可以说大半部分是无关紧要的人,比如说,负责写博客来说,到哪个团队都可以写。

四、分析一下自己所处的团队。软件工程实践是大学里少有的认真的团队协作经验。《构建之法》上说团队的发展有几个阶段,你的团队都经历过么,最后到达了“创造”阶段了么?(参考《构建执法》第17章 人、绩效和职业道德)

答:构建之法提到的阶段有:萌芽阶段、磨合阶段、规范阶段、创造阶段。在本团队开发前三个阶段经历的时间比较长,最后一个“创造”阶段往大的说是没有的,我们团队是参考淘宝、京东这些购物网站,实现一些功能。往小的说是有的,因为我们目标是为个体商户去设计的,实现一对多的售卖,相当于个人的超市。

五、怎样证明你学会了软件工程?

1. 研发出符合用户需求的软件

  • 必须公开发布,有实际的用户,一定的用户量和持续使用量 (3 天后能保持10 - 100个用户);而不是: 做没有用户使用的软件
    • 项目没有公开发布,只是在舍友之间测试过。

2. 通过一系列工具,流程,团队合作,能够在预计的时间内发布 “足够好” 的软件

  • 有项目规划/需求/设计/实现/发布/维护,有定时的进度发布 ; 而不是: 通过临时熬夜,胡乱拼凑,大牛一人代劳,延迟交付等方式糊弄

3. 并且通过数据展现软件是可以维护和继续发展的。

  • 而不是 找不到源代码,代码无文档,代码不能编译,没有task/bug 等项目的发展资料

转载于:https://www.cnblogs.com/Min21/p/9185385.html

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
Foodpanda 的全面记录,包含 6000 条精心整理的记录,涵盖了从客户人口统计信息到订单、支付、评价和配送细节的各个方面。它为数据分析师和研究人员提供了一个丰富的资源,可用于深入分析和洞察 Foodpanda 的业务运营和客户行为。 数据集内容客户人口统计信息:数据集详细记录了客户的年龄、性别、收入水平、地理位置等基本信息。这些信息有助于了解不同客户群体的特征,为精准营销和客户细分提供数据支持。 订单信息:每条记录都包含了订单的日期、时间、金额以及购买的商品或服务。通过分析这些数据,可以发现客户的购买习惯和偏好,例如哪些时间段是订单高峰期,哪些菜品最受欢迎。 支付信息:数据集中还包含了支付方式、支付状态和支付金额等信息。这些数据可以帮助分析不同支付方式的使用频率,以及支付成功率等关键指标。 评价信息:客户对订单、服务或产品的评分和评论也被记录在数据集中。这些评价数据对于情感分析和客户满意度研究至关重要,能够帮助 Foodpanda 了解客户的真实反馈,从而改进服务质量。 配送细节:数据集还详细记录了配送时间、配送地址和配送状态等信息。通过分析这些数据,可以优化配送路线和时间,提高客户满意度。 数据集的应用场景:客户行为分析:通过分析客户的购买习惯、偏好和评价,可以更好地了解客户需求,从而提供更个性化的服务。 客户流失预测:利用数据集中的客户行为和评价数据,可以构建模型预测哪些客户可能会流失,以便提前采取措施挽留。 客户细分:根据客户的人口统计信息和购买行为,可以将客户划分为不同的群体,为每个群体提供定制化的服务和营销策略。 销售趋势分析:通过分析订单数据,可以发现销售的增长或下降趋势,为业务决策提供依据。 情感洞察:通过分析客户的评价和评论,可以了解客户对产品或服务的情感倾向,及时发现潜在问题并加以改进。
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