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
6.4k累计阅读
6.4k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
软考高级，也就是信息系统项目管理师，它的证书有效期是多久？是长期有效吗？继续教育是怎么回事?可以通过培训获得中、高级专业技术资格(职称)吗?这些问题是很多考友们都关心的，下面来给大家一一解答。
一、证书的有效期：
根据软考信息系统项目管理师考试官方组织机构中国计算机技术职业资格网的通知说明（查看），计算机技术与软件考试成绩合格后颁发的证书永久有效。所以信息系统项目管理师证书有效期是永久有效的。大家可以看一下证书，证书上也是没有写有效期的。
二、继续教育是怎么回事？
软考证书是专业技术资格证书，若严格按职称要求规定是需要继续教育的，截止目前国家还没有强制必须进行继续教育，但是不排除部分地方有继续教育的要求，所以各位考生最好在领取证书的时候咨询证书颁发机构是否需要进行继续教育，以免证书失效。
三、可以通过培训获得中、高级专业技术资格(职称)吗?
不可能通过培训获得中、高级专业技术资格，因为这等于推翻了中国现有职称管理制度。(目前只有考、评和考评结合三种方式，计算机专业的职称全部通过国家统一的软考考试获得)。
最后说一句，只有付出了足够多的努力才看得到回报哦。。。
国内主流AI编程工具使用实例及总结
AI编程辅助工具是利用人工智能技术来帮助程序员进行软件开发的工具。它们可以在代码编写、代码审查、错误检测、代码优化等多个编程环节发挥作用，提高编程效率和代码质量。通义灵码，基于通义大模型的AI研发辅助工具，提供代码智能生成、研发智能问答、任务自主执行等能力，为开发者带来智能化研发体验，引领AI原生研发新范式。包含智能编码助手和AI程序员。
软考 信息系统项目管理师证书会过期吗？高项证书有效期
信息系统项目管理师证书属于软考高级资格证书，大部分地区信息系统项目管理师证书是长期有效的，没有有效期限制。 根据工信部教育与考试中心2008年全国电子教育考试工作会议的有关精神，全国软考办明确：计算机资格考试合格证书将长期有效，不受三年有效期限制。但是由于之前采取的证书登记等相关文件并未废止，因此各地区对于软考证书采取的登记制度有所不同。有些地区软考证书不再需要定期登记和继续教育，但有些地区软考证...
MATLAB配置MinGW编译器的完整指南
本文提供了在Windows系统上为MATLAB配置MinGW编译器的完整指南。详细介绍了通过MATLAB附加功能管理器在线安装和手动离线安装两种核心方法，并重点说明了如何解决常见的“未找到支持的编译器”等错误。指南包含从版本检查、环境变量配置到最终使用mex命令验证的每一步，帮助用户顺利完成MATLAB与MinGW的集成，以支持C/C++代码编译。
信息系统集成项目管理继续教育
大家也许会问到，在申请完项目经理之后，有软考证书了还要做继续教育吗，既然有人发现问题，针对不同的人群，那就有不同的观点。就这样说吧，如果以后有用到软考证书做个职称什么的，或者需要从事类似的工作，那你就还是需要做软考证书的继续教育的；如果没其他用处，就没必要在这方面上浪费时间了。还有一种情况是，有些朋友考取了软考证书，但一直都没有申请项目经理，这个时候他们可能会担心如果软考证书过期了会不会影...
AD20.多对多工程中将某个原理图导入PCB工程
AD20将多个原理图中的一个或多个导入到PCB文件中
台达PLC使用RS485Modbus指令通信
台达PLC，RS485，Modbus RTU，从站梯形图，0X01,0X02,0X05,CRC校验
信息系统项目管理师（简称软考高项，对应证书：计算机技术与软件专业技术资格证，对应职级：副高）证书介绍
软考全称为计算机技术与软件专业技术资格（水平）考试，简称软考。以考代评，可获得考试科目对应的等级职称。软考是国家人力资源和社会保障部、工业和信息化部领导下的国家级考试。考试合格者将颁发由人社部和工信部用印的计算机技术与软件专业技术资格（水平）证书。该证书在全国范围内有效，并且与一些国家互认。计算机技术与软件专业技术资格（水平）考试简介该介绍为中国计算机技术职业资格网于2015年10月28日发布的考试介绍，保留至今未做更改。
esp32-C3固件烧录用户手册
温馨提示：1.esp32-C3 BOOT脚为GPIO9，需要从芯片小板中焊接引出2.芯片小板中已经预留了所有烧录相关的引脚，大家可以按需焊接引线3.程序下载完，使用串口查看log时，需要使用220v供电使用（请务必准守用电安全）。原因：由于插座中包含继电器，计量计等耗电设备，所以usb转串口提供的3.3V电压和电流可能会出现供电不足，表现为usb转串口与电脑连接断断续续，导致无法查看log。
解锁2024软考高级信息系统项目管理师证书：报名、备考与价值全攻略
2024年上半年软考将于陆续开始报名上半年，下半年所有科目成绩全部在以上（含45分）通过考试搜索“中国计算机技术职业资格网”查询软考成绩预计在一般在考试成绩公布后3~4个月，各地证书领取时间不同。
高性能算力中心 — RDMA — Overview
目录 文章目录目录RDMA基于以太网的 RoCE/RDMA 计算优化NVMeNVMe Over Fabrics基于以太网的 NVMe 存储优化 RDMA RDMA（Remote DMA，远程直接内存访问）是一种新的内存访问技术，RDMA 让计算机可以直接存取其他计算机的内存，而不需要经过 CPU 耗时的处理。RDMA 将数据从一个系统快速移动到远程系统存储器中，而不对操作系统造成任何影响。RDMA 技术的原理及其与 TCP/IP 架构的对比如下图所示。 InfiniBand（IB）：从一开始就支持 R
华为自研 ERP、Oracle EBS 与 SAP 上线时系统配置思路设计差异深度分析
本文对比分析了华为自研ERP、Oracle EBS和SAP S/4HANA三大ERP系统在上线配置思路上的核心差异。从架构设计看，华为采用分布式微服务架构，SAP采用分层服务架构，Oracle采用集中式一体化架构；在模块配置上，华为以业务场景为导向，SAP基于行业模板，Oracle强调模块独立性；数据迁移方面，华为侧重业务规则清洗，SAP注重数据质量监控，Oracle依赖标准化工具；流程适配上，华为系统随流程调整，SAP在框架内优化，Oracle需定制开发；定制开发模式差异明显，华为采用插件化扩展，SAP使
信息系统项目管理师证书（高项）有什么用？
去年11月参加了信息系统项目管理师的考试，对高项证书的用处也有一定的了解，就具体说说信息系统项目管理师证书具体有什么用。
Cadence PSpice 仿真0：绘制电路图方法图文教程
在使用PSpice进行电路的仿真时，首先需要使用带有PSpice模型的元器件来绘制电路图，本文简单介绍进行电路图绘制是常用的几种需要掌握的方法，以满足PSpice仿真绘制简单电路图所用。
信息系统项目管理师（软考高级项目经理）寻求挂靠
信息系统项目管理师 软考 高级项目经理 挂靠
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
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")
证书还能用吗？软考中高级证书有效期自查清单，3分钟判断是否需补审或重考
3分钟自查软考中高级证书是否有效！本文详解软考证书有效期认定规则、补审条件与重考节点，覆盖2016年后持证人群及单位资质核查场景。方法简单、依据权威、避免过期风险，值得收藏。
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
软考证书有效期是几年？软考落户广州可以加分吗？
2、自2023年上半年开始，根据《人力资源社会保障部办公厅关于单独划定部分专业技术人员职业资格考试合格标准有关事项的通知》(人社厅发〔2022〕25号)相关规定，软考考试在国家乡村振兴重点帮扶县、西藏自治区、四省涉藏州县、新疆维吾尔自治区南疆四地州、甘肃临夏州、四川凉山州、乐山市峨边县、马边县及金口河区单独划线。软考合格标准是按照《关于33项专业技术人员职业资格考试实行相对固定合格标准有关事项的通告》相关规定进行划分的，实行相对固定的合格标准，各科目合格标准为试卷满分的60%，即每科45分及格。
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。
软考高级证书有效期真相：3大误区+5年/终身判定标准全解析，90%考生都搞错了
破解软考证书有效期认知误区，明确高级证书5年登记制与终身有效本质。本文厘清继续教育、单位聘任等适用场景，详解登记流程与免检条件，助考生规避失效风险。软考证书有效期真相一文讲透，值得收藏。
计算机集成项目管理证书好处,你知道系统集成证书的这些作用吗？
软考是IT界唯一一个国家级考试，根据工业和信息化部教育与考试中心发布的关于废止《关于组织开展计算机技术与软件专业技术资格(水平)证书登记工作的通知》等若干文件的公示，意味着计算机资格考试合格证书将长期有效，不再受三年有效期限制。换句话说，考生将免去相关证书登记流程及继续教育所需的时间与费用，取得的软考证书将长期有效，含金量也会越来越高。系统集成项目管理工程师考试是由国家人力资源和社会保障部、工业和...
2024年软考考试安排和报名时间出来了！有重大变化！
只能说软考现行制度已经20年了，软考依据的还是(国人部发〔2003〕39号)文件，该文件是2003年10月18日发布的，于2004年1月1日起施行，算来距离现在也有20年了，其中有很多内容都已不再适用或有了新的规定。中级：系统集成项目管理工程师、信息安全工程师、信息系统监理师、软件评测师、电子商务设计师、嵌入式系统设计师、信息系统管理工程师、多媒体应用设计师。中级：网络工程师、软件设计师、软件评测师、电子商务设计师、嵌入式系统设计师、数据库系统工程师、信息系统管理工程师。高级：系统分析师、系统架构设计师。
软考高级怎么选？过来人真心建议：优先冲信息系统项目管理师！
软考高级证书中，信息系统项目管理师是最具性价比的选择。该证书由人社部和工信部联合认证，全国通用且长期有效，具有三大优势：1）体制内直接认定副高职称，关联薪资福利；2）企业招聘硬门槛，投标必备资质；3）就业面广，薪资优势明显。相比其他高级科目，其备考难度更低，侧重项目管理流程而非复杂技术。备考建议：选择专业课程，刷透十年真题，掌握计算题套路，提前准备论文框架。适合零基础、在职人员3-6个月系统备考，是提升职场竞争力的高效选择。
【软考成绩有效期避坑手册】：3类失效高发场景+2步自查法+1份可打印有效期追踪表
帮你厘清软考成绩保留几年有效期，避免过期失效白考。详解3类高发失效场景（如单科合格后超时、跨级别报考冲突等），提供2步自查法+1份可打印有效期追踪表。精准掌握各科目有效时限，省心规划考试节奏，值得收藏。
计算机专业大学期间可以考哪些证书，分梯队科普
证书属于能力辅助证明，不能替代项目经验、实习经历和代码实操能力。求职时企业优先考察实战水平，证书仅作为简历加分项。下文按照国内就业实用性，将证书划分为入门基础、职称体系、数字能力专项、行业厂商与高阶能力四个梯队，一共推荐 9 个适配计算机本科生的证书，方便大家结合发展方向规划备考。
成绩保留2年？3年？5年？——软考合格科目有效期真相，90%考生都填错了报名表！
软考成绩保留几年有效期？一文说清单科合格成绩的有效期限。适用于报考高、中、初级资格的考生，明确各科目2年滚动有效规则，避免重复报考或报名表填错。政策依据权威，附常见误区提醒，值得收藏！
项目管理需要考什么证书好点？
对于项目经理来说，尤其是软件信息、IT 行业的项目经理， 可以在考取 PMP 之后学习 ACP（PMP 中包含的敏捷知识和 ACP 中存在重叠，学习完 PMP 之后学习 ACP 有事半功倍的效果）。越早拿到这本证书的人就能够更早地享受到推广期证书的福利，现在持有 PMP 证书的宝子可以申请免考增持 CSPM，有 PMP 证书的小伙伴们可千万不要错过了！在 PMP 的官方指导教材中完整且详细的罗列了项目管理生命周期全流程的方法论，同时在备考 PMP 的过程中还会学习大量实战案例，能够让小白轻松学会项目管理。
软考证书有效期？会不会过期？需要继续教育吗？90% 考生都搞混
软考证书长期有效、不会过期、不需要继续教育来维持。那些关于“过期”“继续教育”的说法，大多是把软考和其他职业资格证书的规则搞混了。你只需要安心备考、顺利拿证，证书就会一直有效，成为你职业发展路上的长期助力。
距离上一次发文章已经过去好久了
并且是长期有效的，一次保终身的感觉，哈哈，不过这个高项证书也在今年的3月改版了，已经变更为第四版的证书，并且软考的相关考试都是从今年的11月份开始实行机考了。不过从4、5月的就是就已经知道PMP 正式改版了，我之前学习的时候是用的官方第六版教材，现在已经是第七版的教材了，改动看起来还是比较大的。从我报名到考试，经历了好几个月的时间，但是由于我之前就已经学习过相关知识，所以最后是从今年的2月开始进行冲刺学习，当然我是报名了课程，学习完了所有的课程学习，多看书跟着视频画重点，自己总结笔记，并且刷了。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
