原创 新手項目經理如何進行項目管理?

我們很多小夥伴都是從程序員轉爲項目經理,不知道項目經理到底要做些什麼? 一會兒請教這個,一會兒學下那個,什麼都知道點,挺亂的! 作爲多年前就考過高級項目經理,也管理項目十多年的老鳥,我給大家推薦一個簡單的方法,不用到處找輪子,就按

原创 項目經理無權無勢,如何管好團隊?

大多數項目經理,都是一樣的“苦逼”,除了有一個“成功交付項目”的任務,並沒多大的權力。 爲了更好的調動團隊成員,獲取更多的資源,有很多項目經理希望通過向上級申請或者訴苦來爭取權力,但往往收效甚微。 既然上層路線走不通,那麼就只能挖

原创 抓大放小,把握項目管理中的關鍵行動

在PMI體系中,將整個項目管理分爲十大知識領域和五大過程組,總共49個子過程。 49個,聽着就暈了一半!怎麼辦? 一句話概括: 過程很複雜,重點很簡單。技巧就是找到重點,集中主要力量解決主要矛盾。 根據PMI的理論,項目管理的

原创 “多快好省”的項目管理之道

這條廣告,一言道出了項目管理的真諦! 範圍:多 時間:快 質量:好 成本:省 看,是不是完美切合項目管理的四個核心要素,簡直是項目管理的終極夢想. 現實情況往往是: 工期緊,活兒只能湊合了; 超支,趕緊砍內容,別弄那麼多;

原创 讓項目穩起來:聊聊項目中的風險管理

成功的項目都有其相似之處,失敗的項目卻各有各的不同。 據PMI在全球範圍的統計,約有30%的項目在啓動後的某個環節被迫終止。 項目失敗對於項目經理的打擊是不容言表的, 如何在項目管理過程中重視風險,主動去規劃、執行和監控風險就

原创 做好這點,你的項目管理就成功了一半

你知道項目管理中最慘的事情是什麼? 又得加班? No 需求又變了?No 核心員工離職?No … 這些問題雖然煩都還有拯救的機會,最慘的莫過於,看上去執行得還挺順利的項目,中途卻突然被撤消,在我的職業生涯中看到,這種情況不是個例

原创 都是架構,憑什麼你是對的?架構視圖那點事

工作中,我們經常會發現老闆畫的架構圖,產品經理畫的架構圖,和研發經理髮的架構圖,看起來完全都不一樣,到底誰的是對的? 對於這個問題,我們先來回顧下,架構的定義: 架構,這個詞最早來源於建築工程,後來應用到組織和軟件等各個領域,比如

原创 caffe入門學習(5):繪製網絡結構圖

網絡配置都是在prototxt文件中看起來不直觀,如果能直接看到各層的連接圖就了,Caffe提供了這樣的工具。本文就是描述我用draw_net.py繪製網絡結構圖的踏坑過程。 1、安裝graphviz 繪製圖形,首先我們需要一個圖

原创 caffe入門學習(2):Exmaple mnist訓練和測試步驟

編譯配置好caffe的環境後,下一步做什麼的,直接看什麼幾層網絡,太抽象了,第一步先把流程跑起來,看它能做些什麼。 在caffe源碼中,自帶了三個例子: mnist cifar10 ilsvrc12 一個一個來吧,

原创 caffe入門學習(4):Exmaple ilsvrc12測試過程

ILSVRC2012和ImageNet介紹 ImageNet是Stanford視覺實驗室標註的一個圖像數據庫,有上萬個分類和上千萬的圖片。 爲了讓學術界有個公開標準的圖像分類,Stanford視覺實驗室從2010年開始就開始 IL

原创 caffe入門學習(3):Exmaple cifar10訓練和測試步驟

可以先看下官網說明文檔 http://caffe.berkeleyvision.org/gathered/examples/cifar10.html cifar10是什麼? CIFAR-10 是一個包含60000張圖片的數據集。

原创 caffe入門學習(6):繪製loss曲線

我們通過命令命令行進行訓練的時候,每一次都會打印出訓練loss和測試的準確率,這些都是衡量這個網絡的指標,直接看日誌,這個準確率和loss變化趨勢是不清晰的,最好的方式就是能把它繪製成圖形化,曲線圖是最適合表現變化趨勢的,下面就說

原创 caffe入門學習(0):概述

Caffe的背景 按照 李沐 的說法,神經網絡模型的訓練: 就是把訓練數據(原料)和 神經網絡模型:如AlexNet(丹方) “倒進” 神經網絡訓練框架例如cafffe,Mxnet(煉丹爐)然後用 CPU或GPU(真火) “提煉出

原创 機器學習量化應用:用迴歸策略預測價格

我們已經知道,監督學習主要就是分類和迴歸兩種方法。本文以支持向量機(support vector machine,SVM)來說明,如何採取機器學習中迴歸方法來預測股票價格。這在傳統量化中是根本不可能實現的,在機器學習領域卻能達到5

原创 機器學習很難,sklearn很簡單

好吧,我標題黨了,sklearn的簡單也是相對於機器學習原理本身,要學好也不容易! 人工智能、機器學習,一聽就是高大上的東西,想學會肯定很難。這是當然的,要理解機器學習中的各種算法模型,還是需要較強的數學功底的,這無形中提高了機器