秦大师讲技术管理

秦大师讲技术管理

来自蛋疼的axb

www.zeeklog.com  - 秦大师讲技术管理

半夜睡不着,聊聊久违的工作话题。

第一件事,最近在培养一些同学从技术岗逐渐开始接触技术管理岗,其中一件事情就是思维方式的转变。

更具体点,其实就是强制要求他换一个写周报的方式。

技术岗位的同学,周报一般都是列表结构,汇报自己手里每个任务的完成情况,最多加上总结和预测部分,就完成了。

技术管理岗位,我要求他的周报必须是树形结构,并且一级节点不能超过三个。

要求很简单,但本质上是需要管理者有分清主次,和资源整合的意识。能力越是提升,越会发现难点反而在于如何通过整合来减少任务数量,提升质量。

另外,这周跟新同学重新梳理了一个技术方案。

很多新同学在写代码的时候完全依靠自身的逻辑能力来保障程序的正确性,但是他们往往对于代码的复杂度的规律没有正确的认识。

代码复杂度的增加是指数级的,这就意味着,在复杂代码里增加一行控制语句,实际的逻辑可能会复杂好几倍。

测试或者线上出问题以后,程序员的第一反应大多都是“哎呀这个情况我没有考虑到”,实际不是场景的问题,核心原因是从最初就没有做复杂度管理。

说的实际点,就是没有做解耦。

各种设计模式和范式,本质都是在强制程序员做复杂度管理。 比如这周重新梳理的技术方案,在引入了消息总线和状态机之后,新的代码看上去就像军训教官叠的被子一样,规整的不像话。

Read more

决策树算法介绍:原理与案例实现

决策树算法介绍:原理与案例实现

决策树算法介绍:原理与案例实现 决策树算法介绍:原理与案例实现 一、决策树算法概述 决策树是一种基本的分类与回归方法,它基于树形结构进行决策。决策树的每一个节点都表示一个对象属性的测试,每个分支代表该属性测试的一个输出,每个叶节点则代表一个类别或值。决策树学习通常包括三个步骤:特征选择、决策树的生成和决策树的剪枝。 二、决策树算法原理 1. 特征选择 特征选择是决策树学习的核心。它决定了在树的每个节点上选择哪个属性进行测试。常用的特征选择准则有信息增益、增益比和基尼不纯度。 * 信息增益:表示划分数据集前后信息的不确定性减少的程度。选择信息增益最大的属性作为当前节点的测试属性。 * 增益比:在信息增益的基础上考虑了属性的取值数量,避免了对取值数量较多的属性的偏好。 * 基尼不纯度:在CART(分类与回归树)算法中,使用基尼不纯度作为特征选择的准则。基尼不纯度越小,表示纯度越高。 2. 决策树的生成 根据选择的特征选择准则,从根节点开始,递归地为每个节点选择最优的划分属性,并根据该属性的不同取值建立子节点。直到满足停止条件(如所有样本属于同一类,

By Ne0inhk
他给女朋友做了个树莓派复古相机,算法代码可自己编写,成本不到700元

他给女朋友做了个树莓派复古相机,算法代码可自己编写,成本不到700元

手机拍照不够爽,带个单反又太重? 试试做个树莓派复古相机,还能自己编写处理算法的那种—— 成本不到700元。 没错,颜值很高,拍出来的照片也能打: 你也可以快速上手做一个。 如何制作一个树莓派复古相机 目前,这部相机的代码、硬件清单、STL文件(用于3D打印)和电路图都已经开源。 首先是硬件部分。 这部复古相机的硬件清单如下: 树莓派Zero W(搭配microSD卡)、树莓派高清镜头模组、16mm 1000万像素长焦镜头、2.2英寸TFT显示屏、TP4056微型USB电池充电器、MT3608、2000mAh锂电池、电源开关、快门键、杜邦线、3D打印相机外壳、黑色皮革贴片(选用) 至于3D打印的相机外壳,作者已经开源了所需的STL文件,可以直接上手打印。 材料齐全后,就可以迅速上手制作了~ 内部的电路图,是这个样子的: 具体引脚如下: 搭建好后,整体电路长这样: 再加上3D外壳(喷了银色的漆)和镜头,一部简易的树莓派复古相机就做好了。 至于软件部分,

By Ne0inhk
🚀Zeek.ai一款基于 Electron 和 Vite 打造的跨平台(支持 Windows、macOS 和 Linux) AI 浏览器

🚀Zeek.ai一款基于 Electron 和 Vite 打造的跨平台(支持 Windows、macOS 和 Linux) AI 浏览器

是一款基于 Electron 和 Vite 打造的跨平台(支持 Windows、macOS 和 Linux) AI 浏览器。 集成了 SearXNG AI 搜索、开发工具集合、 市面上最流行的 AI 工具门户,以及代码编写和桌面快捷工具等功能, 通过模块化的 Monorepo 架构,提供轻量级、可扩展且高效的桌面体验, 助力 AI 驱动的日常工作流程。

By Ne0inhk