<p style="text-indent: 21pt;">今日看到一个有关PM培训的案例，非常有意思。摘录如下：</p>
<blockquote>
<p style="text-indent: 21pt;"><u><font color="#0000ff">在项目经理培训课上，老师给我们做了一个练习，似乎是维珍的一个节目，很有意思：在800米的高空有两个热气球，中间有索道相连。你是PM，有四个组员：一个勇敢的人，身体强壮兼勇气过人；一个小聪明，很有头脑，但是不喜欢按规矩办事，在参加活动时就曾经迟到；一个假小子；还有一个严重畏高的女孩；假小子与畏高的女孩有矛盾。在通过索道的过程中手只能扶扶手两次，超过两次就要返回原气球重走（增加难度？）。作为PM，你的任务是要保证在15分钟内 让全部人员从一个热气球去到另一个热气球。在第一个人员出发后15分钟索道就会补烧断掉。你会怎么安排呢？ </font></u></p>
<p style="text-indent: 21pt;"><u><font color="#0000ff">当时我的安排如下：勇敢的人->畏高的女孩->PM->假小子->小聪明 </font></u></p>
<p style="text-indent: 21pt;"><u><font color="#0000ff">理由如下：</font></u></p>
<ol>
<li>
<div style="text-indent: 21pt;"><u><font color="#0000ff">小聪明有能力通过桥梁，但是他喜欢捣乱，他有可能最快通过，也有可能花掉绝大部分的时间，是最不能确定的因素，所以我考虑给他压力，给他最少的浮动时间，只能安排在最后过桥； </font></u></div>
</li>
<li>
<div style="text-indent: 21pt;"><u><font color="#0000ff">勇敢的人起带头作用，主要是给畏高的女孩以鼓励；</font></u></div>
</li>
<li>
<div style="text-indent: 21pt;"><u><font color="#0000ff">畏高的女孩需要最多的时间，而且必须给她最小的压力，所以不能在后面走，就安排在第二个出发；</font></u></div>
</li>
<li>
<div style="text-indent: 21pt;"><u><font color="#0000ff">假小子和畏高的女孩有矛盾，不合拍，两个人要分开，就安排在第四个走；</font></u></div>
</li>
<li>
<div style="text-indent: 21pt;"><u><font color="#0000ff">PM也就没有选择的第三个出发了。 </font></u></div>
</li>
</ol>
<p style="text-indent: 21pt;"><u><font color="#0000ff">当我提出我的排序后，老师问：小聪明在最后就是不过来，那怎么办呢？我一时间不知怎么回答。我的排序其实有个假设：小聪明一定会通过索道。他最后一个走如果还捣乱就让他自己承担掉下去的风险。但是这个任务也因此就把成败的风险放在了小聪明上。你会怎么处理呢？</font></u></p>
</blockquote>
<p style="text-indent: 21pt;">不知道你感觉如何？我的第一感觉就是我没有这个天赋。而且我要继续说的是，在真实的项目管理中，并不是如我们以往的学习中做的习题解答那样简单。</p>
<p style="text-indent: 21pt;">最重要的一点，就是认识清楚每一个人的性格特点。对于这点，我就特别不理解三国里面，为什么诸葛亮能够非常轻松地说出每一个人的性格特点。而且丝毫不差！我把这归结于经验不足，其实也就是说我没有识人的天赋。没有了这点，就很难如上面的案例中那样，发现四个组员的特点。很可能这些所谓的特点都只是表面现象。而且这些现象都可能在困难面前改变。比如说，勇敢的人可能不爱帮人。假小子可能最热情，畏高的女孩可能是最负责的。而最有可能的矛盾，是不是这是简单的摩擦，可以在此次任务中解决呢？</p>
<p style="text-indent: 21pt;">因此，我需要一位识人的向导或者是导师。否则的话，我就只能做到一点，我是大家的一份子。没有管理的天赋，那就是用真心去和每一位成员沟通。如果没有这些，所有的所谓方案都是风险很大的，因为如案例中所说：你假设所有人都按照你的方法去做！</p>
<p style="text-indent: 21pt;">另外一点也出来了。那就是：人永远不能当成机器去指挥，特别是在软件开发团队。你告诉机器计算1+1等于几，你永远不需要担心结果不是2，但是你要问一个同事1+1等于几，那要看他的心情了。比如他正在热恋，那么他可能告诉你1+1=1。如果他正准备生孩子，他可能告诉你1+1=3。有可能他最一般了，但是他现在很生气，不明白你为什么用这么简单的问题考他，他会告诉你1+1=0。是的，你可能得到很多你都想象不到的答案。原因就在于执行计算的人，有很多可能影响到他的因素没有被你认识到并考虑进去。</p>
<p style="text-indent: 21pt;">好了，回到我们前面的题目。不知你的答案如何呢？我思考了我的答案如下，大家可以简单参考：</p>
<p style="text-indent: 21pt;">让小聪明负责整个通过过程的策划。因为这不是我这个PM擅长的。而因为让小聪明负责全过程，更让他感觉到责任重大，反而能够激发的他的潜能。剩下来的是，我保障督促小聪明。并且告诉所有人，我最后一个过索道。</p>
分享到：
相关推荐
5. 让座的得与失：让座行为从微观角度看是个体道德修养的体现，从宏观角度看则反映了一个民族乃至国家的道德水平。让座者获得精神上的升华，对社会风气有正面影响；而不让座则可能导致个人形象受损，失去社会尊重。 ...
首先，从国家和民族层面来看，阅读的推广有助于提升整个民族的精神境界。一个热爱阅读的民族，其文化底蕴和创新精神往往更为丰富。阅读能够开阔视野，培养批判性思维，这对于国家的长远发展具有重要意义。正如高尔基...
机械原理课程设计 破碎机.doc
电子设计论文施密特触发器电子设计论文施密特触发器
电子设计论文往返式流动灯电子设计论文往返式流动灯
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
政策背景与动机： 签署法案：2021年11月15日，拜登总统签署了《基础设施投资和就业法案》（IIJA），旨在通过多项措施推动美国电动汽车充电基础设施的扩张。 市场增长：随着电动汽车市场的快速增长，对充电基础设施的需求也日益增加，政府政策成为推动这一发展的关键力量。 电动汽车充电基础： 充电技术：电动汽车充电技术通常分为三级，各级充电速度和功率不同，满足不同场景下的充电需求。 充电站类型：包括公共、私人及工作场所充电站，各自具有不同的访问限制和使用特点。 市场趋势与现状： 市场增长：EV市场增长依赖技术进步、成本降低及充电便利性的提高。 充电站数量：截至2022年10月，美国公共和私人充电站总数超过50,000个，其中93%为公共充电站。 区域差异：充电站分布存在地区差异，部分低收入社区充电基础设施不足。 政策与项目： NEVI公式计划：通过IIJA设立的国家电动汽车基础设施（NEVI）公式计划，为各州提供资金以建设EV充电站。 税收抵免：扩展了替代燃料汽车加油站的税收抵免政策，包括EV充电站，以激励投资者。 联合办公室：DOT和DOE成立联合办公室，负责NEVI计划的实施和监管，确保
电子设计论文照明过暗提醒电路电子设计论文照明过暗提醒电路
我选用的软件是：Visual Studio CODE，这个软件在前端开发中十分常用，且提供了很大的便利。 当然也可以用记事本开发，记得把后缀名改成.html 还有我的CSS使用的是内部样式表。 写在head标签下。用到的标签有 <h1></h1> <img src="lyf.jpg" class="god"> <p> </p> 就是这三个标签，构成了HTML的主体架构。 而CSS则是设置了以下形式。 font-size: 16px; line-height: 32px; font-family: "Microsoft Yahei"; text-align: left; text-indent：2em; text-decoration: none; color: #888888 width：66px
大名鼎鼎的MFC MAPI 源码和可执行文件，是开发OUTLOOK插件的好帮手。
机械原理课程设计插床机构机械设计.doc
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
《化工设备机械基础》课程设计 IB储罐设计.doc.doc
机械原理课程设计网球自动捡球机.doc
EKFUKFCKF录屏.mp4
仿新浪读书小程序源码学习
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
ecbbc多商户系统BSD开源协议，和yii2框架一样的开源协议，做国内首款真正开源BSD的多商户系统，欢迎大家研究学习，商用项目使用。Fecbbc多商户购物商城系统BSD一：多商户介绍Fecbbc多商户系统正式开源免费，BSD开源协议，和yii2框架一样的开源协议，真正商用免费授权。做国内首款真正开源BSD的多商户系统，欢迎大家研究学习，商用项目使用。