墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
994平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
| 过程名（附作用） |
通俗解释 |
输入 |
工具和技术 |
输出 |
| 制定质量管理计划 为在整个项目期间如何管理和核实质量提供指南和方向 |
编写一个质量管理计划，描述本项目的质量标准，并记录如何达到这个标准 |
1.项目章程 2.项目管理计划（需求管理计划、风险管理计划、干系人参与计划、范围基准） 3.项目文件（假设日志、需求文件、需求跟踪矩阵、风险登记册、干系人登记册） 4.事业环境因素 5.组织过程资产 |
1.专家判断 2.数据收集（标杆对照、头脑风暴、访谈） 3.数据分析（成本效益分析、质量成本） 4.决策技术（多标准决策分析） 5.数据表现（流程图、逻辑数据模型、矩阵图、思维导图） 6.测试与检查的规划 7.会议 |
1.质量管理计划 2.质量测量指标 3.项目管理计划（更新） 4.项目文件（更新） |
| 管理质量 |
7.软考高项（信息系统项目管理师）-资源管理
按资源类别和类型，对团队和实物资源的层级列表，用于规划、管理和控制项目工作，每向下一个层级代表对资源的更详细描述，直到信息细到可以与工作分解结构（WBS）相结合。（Motivator）：与员工的工作本身或工作内容有关的，能使人们产生工作满意感的一类因素，是高层次的需求，包括成就、承认、工作本身、责任、发展机会等。将“在一起”变为“好好的在一起”，通过一些方式来培养、建设项目团队，提高成员的个人技能，改进团队的协作，提高团队的整体水平，最终提高项目的绩效。使用降职、扣薪、惩罚、批评、威胁等负面手段的能力。
5.软考高项（信息系统项目管理师）-成本管理
比如项目早期信息不全导致规划设计不完善，成本估算方法不恰当，成本计算数据有缺漏或不准，未对设计方案进行优化，物资或设备价格上涨超过预期，规划和设计的内容有变更，对风险估计不足。比如缺乏有关报表和数据处理办法，缺乏成本控制程序和具体要求，缺乏成本控制方法和制度，缺乏比较分析。，对现有决策而言是不可控成本，会很大程度上影响人们的行为方式与决策，在投资决策时应该尽量排除沉没成本的干扰。：根据项目绩效，对完工估算（EAC）进行预测，预测的结果可能与完工预算（BAC）存在差异。常用来计算项目的完成百分比。
软考高项 : 信息系统项目管理师模拟试题
信息系统项目管理师模拟试题 上午基础知识试题 第 1 题 ● 信息系统开发时应考虑一系列策略，下列项目中的（ 1 ）不属于应考虑的策略范围之内。 （ 1 ） A. 自底向上规划与局部设计结合 B. 高层管理人员的参与 C. 自顶向下规划与局部设计结合 D. 必要的总体规划 参考答案：(1) A 试题分析： 本题考查考生对信息系统开发策略具体内容的掌握情况。 从总体上讲，信息...
软考高项第四版（信息系统项目管理师）-思维导图
陆续更新一些最新版软考高项的思维导图（信息系统项目管理师），该资料是本人参加24年5月份的软考信息师考试，学习之余做的一些重点、考点的记录，用于自己复习，分享给日后考试的考友，都是一些课本必背知识点，希望可以帮助大家早日考过高项，早日当上高工。🌹🌹🌹。
MOOS-ivp 实验三 MOOS简介（3）
MOOS-ivp 实验三 MOOS简介（3） 继上一篇文章继续对实验进行记录 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录MOOS-ivp 实验三 MOOS简介（3）六、A Simple Example with pXRelay1.pXRelay基本使用2.pXRelay简单例子3.pXRelay实验七、First Experiments in Modifying MOOS App Code1.下载一个MOOS模板文件2.打开MOOS模板文件总结 六、A Simple E
利用 Docker Distribution 搭建私有的 Docker Registry
1、拓扑
RoboMaster机甲大师赛备赛：如何用STM32+CAN总线精准控制四个大疆3508电机？
本文详细介绍了在RoboMaster机甲大师赛中，如何利用STM32和CAN总线技术精准控制四台大疆3508电机。从硬件架构设计、多电机ID分配、数据解析到同步控制算法，全面解析了构建高响应、低延迟底盘驱动系统的关键技术，助力参赛队伍提升机器人运动性能。
开源onlyoffice编译完整过坑版
onlyoffice 编译过坑完整版；
VSCode + Latex 配置
1. 安装VSCode VSCode下载 next，next就安装好了。 2. 配置VSCode 2.1 安装LaTeX Workshop插件 install，安装LaTeX Workshop插件 2.2 修改 user setting 点击左下角，进入用户设置 点击上图标记的部分，选择 打开settings.json 具体配置文件如下： { "latex-workshop.la...
半导体AMHS系统振动控制技术演进：从0.5G到超低振动的工艺革命
在半导体制造进入埃米级时代后，AMHS的振动控制能力将成为区分厂商技术等级的标尺。国内企业通过“弹性机械设计-混合主动控制-智能调度”的三重创新，正逐步突破0.2G阈值，支撑12英寸晶圆厂向3nm/2nm制程升级。未来，振动抑制不再仅是物流系统的性能参数，而是与光刻、刻蚀等核心工艺深度耦合的基础能力，这将重塑半导体设备产业的竞争格局。
Python电梯II
输入数据有若干组（最多不超过1000组），每组数据的第一行为四个如题目中所示的整数N,u,d,s，由空格分隔开。第二行为不同楼层需要上下楼的请求, 最多不超过1000个。每个请求的格式为"from-to"，其中"from"和"to"为所在楼层和要到达的楼层，保证from!=to。
2024年12月 Python（四级）真题解析#中国电子学会#全国青少年软件编程等级考试
他尝试编写了如下程序，请你完善划线处的代码，计算出在h点s分放学时，三个时针分别经过3点位置的次数，用一个元组表示各指针经过3点位置的次数 (时针次数，分针次数，秒针次数) ，并输出。所谓角谷猜想，是指对于任意一个正整数，如果是奇数，则乘3加1，如果是偶数，则除以2，得到的结果再按照上述规则重复处理，最终总能够得到1。匿名函数，冒号之前表示的是这个函数的参数，冒号之后表示返回值，可以使用默认值，使用时需要将它赋值给一个变量，设置默认值不是必须，如无传入实参则使用默认值，如有传入实参则使用实参。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1212
扫一扫
