UML pour l'analyste d'affaires TI, deuxième édition : Un guide pratique pour la collecte des exigences à l'aide du langage de modélisation unifié
A

UML pour l'analyste d'affaires TI, deuxième édition : Un guide pratique pour la collecte des exigences à l'aide du langage de modélisation unifié

Méthodologies
UML business analysis requirements gathering use case diagrams class diagrams sequence diagrams Agile methodology
Auteur
Howard Podeswa
Éditeur
Course Technology PTR
Année
2010
Langue
Anglais
35
Évaluer ce livre

Pour lire le livre, se connecter / s'inscrire

Aperçu du fragment

Livres similaires

Modélisation prescriptive pratique

Modélisation prescriptive pratique

Walter R. Paczkowski

Modélisation et calcul d'entreprise avec UML

Modélisation et calcul d'entreprise avec UML

Peter Rittgen (Editor)

Mueller J. P., Massaron L. - Programmation de la Science des Données Tout-en-un Pour les Nuls - 2020

Mueller J. P., Massaron L. - Programmation de la Science des Données Tout-en-un Pour les Nuls - 2020

J. P. Mueller, L. Massaron

Analytique intégrée : intégrer l'analyse au flux de travail métier

Analytique intégrée : intégrer l'analyse au flux de travail métier

Donald Farmer, Jim Horbury

Mueller J. P., Massaron L. - L'Apprentissage Automatique Pour les Nuls, 2e Édition - 2021

Mueller J. P., Massaron L. - L'Apprentissage Automatique Pour les Nuls, 2e Édition - 2021

John Paul Mueller, Luca Massaron

Algorithmes en bref : Un guide pratique, Deuxième édition

Algorithmes en bref : Un guide pratique, Deuxième édition

George T. Heineman, Gary Pollice, Stanley Selkow

Conception orientée objet pratique avec UML

Conception orientée objet pratique avec UML

Mark Priestly

Le Livre de Recettes pour la Pratique des Tests Unitaires : Des Tests Unitaires Infaillibles avec .NET

Le Livre de Recettes pour la Pratique des Tests Unitaires : Des Tests Unitaires Infaillibles avec .NET

Anthony Giretti

C++ professionnel

C++ professionnel

Marc Gregoire

Systèmes de production de Machine Learning : Ingénierie des modèles et pipelines de Machine Learning

Systèmes de production de Machine Learning : Ingénierie des modèles et pipelines de Machine Learning

Robert Crowe, Hannes Hapke, Emily Caveness, Di Zhu