第十周个人周报-197222-向小东

197222-向小东 2024-05-27 21:13:35

1.psp表

计划任务

计划用时

实际用时

分析需求

60min

80min

生成设计文档

120min

90min

设计复审

30min

30min

代码规范

60min

70min

具体设计

240min

180min

具体编码

320min

300min

代码复审

90min

100min

测试

60min

90min

测试报告

30min

30min

计算工作量

30min

30min

事后总结

60min

30min

提出过程改进计划

30min

60min

 

2.感想和总结

团队协作学习与收获

在团队协作方面,我学到了很多关于有效沟通和协作开发的知识:

  1. 学习内容和收获沟通与合作:学会了如何在团队中高效地沟通,包括使用每日站会、周报等形式分享进度和问题。

代码管理:通过使用Git进行版本控制,学会了如何处理代码冲突,如何进行分支管理和代码合并。

协调开发进度:团队成员的进度不一致,导致整体项目进展缓慢。通过定期的会议和明确的任务分工,逐步解决了这个问题。

统一编码规范:由于团队成员的编码风格不同,初期代码的可读性较差。我们制定了一套统一的编码规范,并在代码审查时严格执行。

提升了团队协作能力,学会了如何在团队中发挥自己的优势,同时支持和帮助团队成员。

了解了大型项目的开发流程和最佳实践,提高了项目管理能力。

工具使用学习与收获

在使用开发工具方面,我学习了许多新工具,并深刻理解了它们的使用方法和重要性:

代码托管工具Git:掌握了Git的高级用法,如rebase、cherry-pick等。

项目管理工具TAPD:学会了如何使用TAPD进行任务管理和跟踪,确保项目进度的透明和可控。

遇到的困难与克服

Git操作失误:在使用Git进行版本控制时,初期由于误操作导致代码丢失。通过查阅资料和同事的帮助,学会了如何安全地进行版本管理,如何使用Git的恢复功能。

任务管理混乱:在项目初期,由于任务分配不明确,导致了一些重复工作和遗漏任务。我们通过学习和实践敏捷开发方法,使用Jira进行任务分配和进度跟踪,逐步改善了这一问题。

深入理解了Git和Jira的使用方法,提升了项目管理和版本控制的技能。

认识到了工具在提高团队协作效率和项目管理中的重要性。

在整个实习过程中,我不仅提高了技术能力,还在团队协作和项目管理方面获得了宝贵的经验。通过参与桌面宠物软件的开发,我对软件开发有了更全面的认识,同时也发现了自身的不足之处。这段实习经历让我深刻体会到团队合作的重要性和挑战。每个成员的贡献都至关重要,只有紧密合作才能确保项目的成功。因为技术问题和困难是难免的,但只要积极学习和不断尝试,总能找到解决方案。在未来的工作中,我将继续保持对新技术的学习热情,不断提升自己的技术水平。我将更加注重团队协作能力的培养,学习更多的项目管理知识,提升自己的综合素质。最后希望能够参与更多有挑战性的项目,通过不断实践,积累更多的经验和技能,为成为一名优秀的软件工程师而努力。

通过这次实习,我对软件开发有了更深刻的理解和热爱,也对自己的未来充满了信心和期待。我将继续努力,争取在未来的职业生涯中取得更大的进步和成就

...全文
203 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
代码下载地址: https://pan.quark.cn/s/a4b39357ea24 鸢尾花数据集是机器学习领域的一个经典案例,它包含了三种不同类型的鸢尾花(Setosa,Versicolour,Virginica)的多个特征数据。 这个数据集由生物学家Edwin Anderson在1936年收集,常用于教学和演示分类算法。 在"鸢尾花数据集可视化.zip"压缩包中,我们主要探讨的是如何通过数据可视化技术来探索和理解这些数据。 数据可视化是数据分析中的关键步骤,它能帮助我们直观地识别模式、趋势和异常值。 在这个项目中,我们将使用Python的数据分析库Pandas和数据可视化库Matplotlib或Seaborn进行可视化分析。 我们需要导入数据。 鸢尾花数据集通常包含以下特征:花萼长度(Sepal Length)、花萼宽度(Sepal Width)、花瓣长度(Petal Length)和花瓣宽度(Petal Width)。 每个特征都是连续数值,而鸢尾花的种类(Species)则是分类变量。 1. 数据加载与预处理: 使用Pandas的`read_csv()`函数读取CSV文件,创建DataFrame对象。 我们可以查看数据的前几行以了解其结构,使用`head()`函数实现。 2. 描述性统计: 分析数据的基本统计特性,如平均值、标准差、最小值、最大值等,这将帮助我们了解特征的分布情况。 使用`describe()`函数可实现这一目的。 3. 单变量可视化: - 直方图:展示单个特征的分布,通过`hist()`函数绘制直方图。 - 散点图:若特征为连续数值,可以使用散点图展示不同类别间的差异,例如花瓣长度与花瓣宽度的关系。 4. 双变量可视化: - 散点矩阵:使用`pair...

259

社区成员

发帖
与我相关
我的任务
社区描述
CUG软件工程基础学习社区
团队开发软件工程敏捷流程 高校 湖北省·武汉市
社区管理员
  • EasonBeckham
  • Lucky_Limp
  • h6ldZywoo
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧