[技术对话]从项目管理到咨询服务,到度量计算

德俊 说:<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />

老弟,可忙否?

青润 说:

还好。呵呵

德俊 说:

对了,你对联想内部的工作流系统了解吗?

青润 说:

哦,这个就不了解了。我在联想的时候,做得还不怎么样呢。

德俊 说:

那年那月的事情了?

青润 说:

2000年的事情了。呵呵

青润 说:

所以,就不知道了。

德俊 说:

是够远的,我听一些朋友,说的最多的是,网上报销制度

青润 说:

呵呵,那套流程倒是的确走了很多年了。

德俊 说:

全部电子化的,用LOTUS NOTES做的。

德俊 说:

说LOTUS NOTES + ERP + CRM = 联想的信息化。

青润 说:

呵呵。

德俊 说:

你认识联想的在职员工吗?回头拉出来聊聊天,学习学习联想的经验。

青润 说:

有,还有一个曾经应该算是主管以上级别的弟兄,不过,是去年年初辞职出来了。

德俊 说:

那应该也是企业信息化方面的专家了。拉出来见见吧。

青润 说:

呵呵。他也比较忙。现在在一家英国公司的驻华机构,呵呵。只能说约一下看看。

德俊 说:

好象联想以前做过个电视片,将他们自己的信息化的,很多客户都知道。

青润 说:

这个我就不知道了。

德俊 说:

我也好象是看过这电视片,好象讲的也是报销制度,网络会议什么的。

德俊 说:

其实,你老兄也是专家呀,现在企业信息化,有没有一定之规,比如:企业一谈信息化,就一定要上那些系统,还是都需要个案处理?

青润 说:

呵呵。是的。的确都是需要个案处理的。

德俊 说:

需要个性服务,也都是为了让客户感受到服务的质量高。对于咨询/实施,你老弟说说,有没有共同的地方。

青润 说:

但是,客户如果担心价格,那就很难谈了。现在,最麻烦的就是这点。用户不相信你的技术,同时,如果用户想节约成本,那才是最麻烦的。很多服务都只能成为纸面或者被迫白送。呵呵

青润 说:

其实,软件业就是服务,所以,我就是在做服务而已。

德俊 说:

这个抽象太干练了

服务手段,服务载体,总是要有些总结的吧。

青润 说:

呵呵,服务的手段就是以变化来应对变化。服务的依据就是经验加观察。服务的载体,就是人。

青润 说:

这也就是人本学说的一个基础。

德俊 说:

无着胜有着

青润 说:

呵呵,是的。完全有依据的做法往往会造成墨守成规,而无法真正处理用户的需求,解决用户的真实问题。

德俊 说:

对了,上次给你看的我的……在设计上,希望能开发成个通用的工具。

德俊 说:

你对这个怎么看?

青润 说:

好像没有给我吧?我怎么没有印象?

青润 说:

没有给我。老兄。

德俊 说:

就是说,帮助优快云做项目制的咨询工作,也就是在雕塑系统的概念基础上做的。

青润 说:

哦。上次好像谈过,不过,没有给我文档。

德俊 说:

对了你看个这个连接http://******.youkuaiyun.com

青润 说:

我先看看去。

青润 说:

注册了一下,遇到了一个大错误。呵呵

德俊 说:

……

……

……

……

发了个文件给青润。

德俊 说:

看了,感觉如何?

青润 说:

呵呵,做的还有点大。应该再缩小。定位上的一点问题。

德俊 说:

这样的设计,不需要那么复杂的设计吧。老弟给出出主义。

德俊 说:

老弟果然专业。给写建议。

……

……

……

……

德俊 说:

那我还是先学习学习PROJECT2002怎么用吧。

青润 说:

不要照着做。做玩了,也没有意义。和和

青润 说:

其实,计划制定和管理的实现方式有很多种,project的方式并不一定是最好的。

德俊 说:

了解了。工具的成功在于,有人用的好

青润 说:

德俊 说:

我去学习学习PROJECT2002。你有推荐的好的工具吗?

德俊 说:

比如,你的客户中这种需求,你推荐的是什么工具?

青润 说:

其他的,也没有什么了。你先看看吧。

青润 说:

我一般是project加上我自己的计划表述方式。和和

德俊 说:

你自己的计划表达方式?

青润 说:

上次给你看过的。中国人更习惯于表格,而不是图形。所以,中国的报表太多了。

青润 说:

你可以再看看上次我给你做得那个规划文档中的计划部分的表格。和和

德俊 说:

我知道了,就是上到网上,你把一些内容删除的部分。

德俊 说:

恩,自上而下。

青润 说:

呵呵。

德俊 说:

那你估计这样的产品,开发需要多少时间和投入?

青润 说:

哦。这需要算算了。我现在也没有算,同时,还要看人是否合适。所以,不是说说的问题呀。

德俊 说:

感觉感觉?

青润 说:

我用我刚做完的BMS工具计算了一下,结果如下:

青润 说:

三十个人月

青润 说:

如果有两到三个工作三到四年的技术人员来做,大概三个月足够了。

青润 说:

我这个人月是标准人月。

青润 说:

工具名称是:BMS Official VersionV<?xml:namespace prefix = st1 ns = "urn:schemas-microsoft-com:office:smarttags" /><chsdate w:st="on" year="1899" month="12" day="30" islunardate="False" isrocdate="False">0.4.03</chsdate>版本。呵呵,还没有正式发布。

德俊 说:

你的东东,还真多。

青润 说:

自己的产品,让你先享受一下结果。呵呵

德俊 说:

收到,谢谢,就等你的饭局了

软考高项:第1章信息化发展学习笔记及历年真题 数字化转型是建立在数字化转换、数字化升级基础上,进一步触及组织核心业务,以新建一种业务模式为目标的高层次转型。数字化转型是开发数字化技术及支持能力以新建一个富有活力的数字化商业模式。 阅读详情

相关推荐

长短期记忆网络(Long Short-Term Memory networks, LSTM)

如何简单的理解LSTM——其实没有那么复杂:

weixin_39910711的博客 2万+

项目管理6个绩效指标_六西格玛项目管理之六西格玛项目过程绩效指标

点击上方“蓝字”关注我们六西格玛项目过程绩效即过程输出的绩效,用来度量过程绩效的数据包括离散型数据(也称计数值数据或属性值数据)和连续型数据(也称计量值数据)。六西格玛项目管理之离散型数据度量指标六西格玛项目管理中常用的过程绩效离散型度量指标有:单位缺陷数、机会缺陷率和百万机会缺陷数等计点值指标,最终合格率、一次合格率、流通合格率等计件值指标。下面是过程绩效离散型度量指标是基本概...

weixin_39874269的博客 1992

Netapp FAS2750更换磁盘后不同步问题处理

netapp fas2750磁盘更换后不同步问题处理

jetliu05的博客 1256

AI时代项目经理新要求:不仅懂PMP,更要懂AI技术,薪资溢价达35%-60%,晋升速度翻倍!

“现在的项目节奏,已经不允许项目经理只做‘传声筒’了。”他无奈地说,“我们需要的是懂AI、懂技术、还能协调资源的‘全能型选手’。”数据支撑了这一趋势:智联招聘2025年Q1报告显示,要求掌握AI基础知识的项目经理岗位同比增长220%,薪资溢价达35%-60%。更惊人的是,头部互联网公司中,有AI项目经验的项目经理晋升速度是普通项目经理的2.3倍。

Trb201013的博客 709

保姆级教程:用Cesium的Primitive API实现火箭发射全流程动画(含代码避坑)

本文详细介绍了如何使用Cesium的Primitive API实现火箭发射全流程动画,包括模型控制、关节动画和精细时序管理。通过实战代码示例和性能优化技巧,帮助开发者高效构建高复杂度航天仿真系统,显著提升三维可视化效果与运行效率。

weixin_42565652的博客 213

AMCL代码详解(六)amcl中的重采样

每次都从w1左边的竖线开始转,显而易见,转到w1的概率为0-w1之间的随机数,转到w2的概率为w1到w1+w2之间的随机数,转到w3的概率为w1+w2到w1+w2+w3之间的随机数,后面的依次类推。当某个粒子的权值较大的时候,产生的随机数落在相应区间的概率就会增大,从而实现了对权值大粒子的多次复制,权值小的粒子的剔除。可以看出,在整个重采样的过程中,粒子进行了两次种情况的刷新,一种是随机生成的新的粒子,一种是对原来的粒子的复制。得到的值越大,说明粒子的权重越小,当前粒子的可信度比较小,需要重采样粒子。

YiYeZhiNian的博客 1579

软件成本度量:能源行业应用案例分析

一、组织简介 单位类型:内部乙方 所属行业:能源 应用场景:项目核算 应用部门简介:该公司为某大型石油集团的下属子公司,主要业务是为集团公司提供信息系统技术开发和咨询服务,专注于地理信息系统(GIS)、综合业务管理信息系统、图形图像及网络应用软件的研究、设计、开发与建设,以及数字管道、数字油气田和工程设计集成整体解决方案。研发团队主要包括需求分析师、软件开发人员等约上百人。 二、面临问题 1、软件...

csbmk_com中基数联的博客 1270

ESP32-C3入门教程 环境篇③——VS Code IDE快速入门

文章目录一、安装Visual Studio Code二、安装扩展三、配置ESP-IDF 插件四、创建工程五、配置工程5.1 选择目标芯片5.2 项目配置六、编译工程七、固件分析七、固件下载八、串口日志九、单步调试 一、安装Visual Studio Code 下载并安装Visual Studio Code 二、安装扩展 左侧扩展 搜索espressif 点击安装 三、配置ESP-IDF 插件 按下F1按键 输入configure esp-idf extension EXPRESS,如果你

8304

基于SpringBoot + Vue的在线项目管理与任务分配中的应用

💛博主介绍:大家好,我是码趣猪仔,一名拥有4年码龄的全栈程序员,也是一位计算机老学长(本科专业计算机科学与技术)。在这个数字时代,我致力于成为大学生毕业程序和实践项目的灯塔,提供开发、指导和咨询服务。同时,我也为高校教师、讲师以及行业同仁提供合作机会,共同推动计算机教育的发展🎉,我的目标是让技术学习变得更高效、更有趣。欢迎关注👋,一起在计算机科学的海洋中乘风破浪⛵️,共创辉煌🏆。👇🏻精选专栏,推荐订阅👇🏻计算机毕业设计最强指南✅计算机毕业设计答辩秘籍✅计算机最全毕设项目推荐✅✨。

我们不是普通的猪,我们是一群热爱编程、追求创新的“猪仔”。在这里,我们用键盘敲出梦想,用代码编织未来。 367

【VTKExamples】PolyData-1:: CellEdgeNeighbors & CellPointNeighbors 检索Cell边相邻的Cells & 检索Cell点相邻的Cells

本文主要分享VTKExample中两个样例CellEdgeNeighbors.cxx & CellPointNeighbors.cxx,了解VTK中如何对Cell进行邻域检索!输入模型 基于Edge检索结果 基于Point检索结果目录前言1. 基于Edge检索核心代码2.基于Point检索核心代码3.基于Edge检索样例代码4. 基于Point检索样例代码1.

qq_40041064的博客 672

lammps教程:ovito免费输出高清图片方法

基本原理是调用ovito软件包中的TachyonRenderer模块,该模块可实现Tachyon渲染,达到和ovito 2.9 Tachyon完全相同的效果。这种方法在后来的ovito版本中已经不能使用,但是ovito 2.9版本在后处理方面功能较少,使用起来也不是特别方便。在之前的推文中,曾介绍过使用ovito 2.9版本更换Tachyon渲染器实现高清图片的输出。这个方法只需要配置ovito模块即可,完全免费,不需要购买ovito pro版。具体的配置参数可到ovito官网查询。大家好,我是小马老师。

lammps_jiayou的博客 2766

【合集】各省市信息化项目相关标准解读

标准解读系列持续更新中,敬请关注!

2401_86538250的博客 679

YOLO-World:从入门到实战的多模态目标检测全指南

想象一下,你给模型一张“公园”的图片,再输入文字“红色的郁金香”,它能直接在图中框出所有红色郁金香的位置——这就是多模态目标检测:结合图像视觉信息和文本语义信息,同时完成“是什么”(分类)和“在哪里”(定位)的任务。传统目标检测(如YOLOv5、YOLOv8)只能识别预定义的类别(比如训练时学过“猫”“狗”),但多模态目标检测摆脱了“类别预定义”的限制,只要文本能描述,它就能检测,这就是“开放词汇检测(Open-Vocabulary Detection)”的魅力。

know_F0727的博客 204

抢问:向国内最强大的Rational团队提问

这是8月份IBM Rational软件高峰论坛的一个附加的线上活动,每个人只要在IBM的网站输入信息就可以指定一位专家回答自己的问题。下面这些专家大多是来自IBM原厂最高规格的专家,包括策略方面、开发方面、管理方面。机会难得!有Rational的软件开发、项目管理方面的问题赶快抓紧时间去提问! [color=red][url=http://www.ibm.com/developerwo...

lucasma的专栏 517

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

信息系统项目管理师第四版知识摘编:第1章 信息化发展

能力因子的定义可驱动组织的管理精细化,更重要的是能够实现对这些能力因子的数字化“封装”,这种封装不只是对业务流程、工艺过程和技术内容的“包装”,而是需要向具体活动的人员、技术、资源、数据、流程的模块化”封装”,打造基于数据的标准化输入与输出,形成类似信息化系统中的对象、类、模块等的组件。”,简称“新基建”。“新基建”面向国家战略需求,为经济社会的创新、协调、绿色、开放、共享发展提供底层支撑的具有乘数效应的战略性、网络型基础设施,内涵更丰富,更能体现数字经济的特征,能够更好地推动中国经济转型升级。

Programming Talk 4706

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

信息系统项目管理师 第1章 信息化发展

的时候,成功才会得以实现。3.智慧转移由自然人个体,转移到组织智慧的必要性和重要性。

泽克的博客 672

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

信息系统项目管理师教程(第4版)笔记——第 1 章 信息化发展

本章围绕信息化发展与现代化基础设施展开,系统介绍了信息与信息化的基本概念、特征及信息系统构成,阐述了国家信息化体系和发展趋势。重点分析了新型基础设施建设的三大类别(信息基础设施、融合基础设施、创新基础设施)及其在5G、人工智能等领域的应用,同时探讨了工业互联网作为第四次工业革命基石的平台体系架构,包括网络、数据互通等关键层级。整体内容体现了信息技术与经济社会各领域的深度融合,为数字化转型提供了理论支撑和实践路径。

谙弆悕博士的技术博客! 551

“软件经济学”持续演进

“软件经济学”持续演进 【CNW.com.cn 专稿】自2009年首次提出“软件经济学”理论之后,蓝色巨人IBM一直努力将这一理论向更深入、与企业业务战略结合更紧密的方向推进。“软件计量经济学”的诞生便是其努力的最新成果。 作为一种区别于传统“软件工程学”的新理论,“软件经济学”在推出伊始即因其强调组织从经济角度衡量软件开发的投出产出比而受到广泛关注。具体来说,“软件经济...

weixin_33695450的博客 167

网络安全行业推荐考取的证书有哪些?

因为网络安全行业的证书还蛮多的,别浪费钱,要考就得你用得上的,用于加薪也好,对自己的职业规划有帮助也罢。CISP证书-是国家对信息安全专业人员能力的最高认可。CISP培训对象为信息安全企业、信息 安全咨询服务机构、信息安全测评机构、政府机构、社会各组织、团体、大专院校以及企事业单位从 事信息安全工作相关人员及信息系统建设、运行和应用管理的专业岗位人员.CISP含金量和证书价值?

QIANDXX的博客 1104

IT行业现状与未来趋势-人工智能与机器学习

随着技术的不断进步,IT行业已成为推动全球经济和社会发展的关键力量。从云计算、大数据、人工智能到物联网、5G通信和区块链,这些技术正在重塑我们的生活和工作方式。你眼中IT行业的现状及未来发展趋势是怎么样的?无论您是行业领袖、技术专家还是创新者,快来跟我们分享你的见解吧!让我们共同探索IT行业的无限可能!

fzyz123的博客 2845

系统规划与管理备考整理

软考备考记录

Xiaowu2048的博客 1万+
上一篇: [软件人生]软件技术人员的人生规划如何做?
下一篇: [软件人生]从应聘到骂人
piperzero
博客等级 码龄21年 1377粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值