2021年下半年信息系统项目管理师上午客观题参考答案及解析(一)

2024年信息系统项目管理师2批次上午客观题参考答案及解析(3) 2024年信息系统项目管理师2批次上午客观题参考答案及解析(51-75题以及试题分布汇总) 阅读详情

1、“十四五”期间,我国关注推动政务信息化共建共用、推动构建网络空间命运共同体,属于()的建设内容.
A、科技中国
B、数字中国
C、制造强国
D、创新强国

参考答案:B
参考解析:
跬步郎:十四五内容较多,仅列出相关章节题目
《十四五规划纲要》
第五篇 加快数字化发展 建设数字中国
第十五章 打造数字经济新优势
第一节 加强关键数字技术创新应用
第二节 加快推动数字产业化
第三节 推进产业数字化转型
第十六章 加快数字社会建设步伐
第一节 提供智慧便捷的公共服务
第二节 建设智慧城市和数字乡村
第三节 构筑美好数字生活新图景
第十七章 提高数字政府建设水平
第一节 加强公共数据开放共享
第二节 推动政务信息化共建共用
第三节 提高数字化政务服务效能

分类:1.信息化/信息系统



2、()关注的是业务,以业务驱动技术,强调IT与业务的对齐,以开放标准封装业务流程和已有的应用系统,实现应用系统之间的相互访问。
A、面向过程方法
B、面向对象方法
C、面向构件方法
D、面向服务方法


参考答案:D
参考解析:
1.2.4面向服务的方法 
从应用的角度来看,组织内部、组织之间各种应用系统的互相通信和互操作性直接 影响着组织对信息的掌握程度和处理速度。如何使信息系统快速响应需求与环境变化,提高系统可复用性、信息资源共享和系统之间的互操作性,成为影响信息化建设效率的关键问题,而SO(Service-Oriented, SO)的思维方式恰好满足了这种需求。

第三版P17@1.2.4
出题概率:★★

分类:1.信息化/信息系统



3、()是一种新型的计算模式,其核心在于对开放网络环境下的大规模互联网用户群体资源进行有效管理和系统利用,以实现智能最大化。
A、群智协同计算
B、边缘计算
C、泛在计算
D、量子协同计算

参考答案:A
参考解析:
《CCF2016-2017中国计算机科学技术发展报告》
群智协同计算:研究进展与发展趋势
大规模的互联网用户群体不仅是各类应用服务的使用者, 更是网络空间大数据和应用服务的贡献者, 其构成了支撑大量成功应用的群智资源。在此基础上发展出一种新型的计算模式,我们称之为群智协同计算, 其核心在千对开放网络环境下的群智资源进行有效管理和协 同利用, 以实现群体智能的最大化。

分类:1.信息化/信息系统


4、在可用性和可靠性规划与设计中,需要引入特定的方法来提高系统的可用性,其中把可能出错的组件从服务中删除属于()策略。

A、错误检测
B、错误恢复
C、错误预防
D、错误清除

参考答案:C

参考解析:

1.3.10高可用性和高可靠性的规划与设计
想要提高一个系统的可用性,要么提升系统的单次正常工作 的时长,要么减少故障修复时间。常见的可用性战术如下:
•错误检测:用于错误检测的战术包括命令/响应、心跳和异常。
•错误恢复:用于错误恢复的战术包括表决、主动冗余、被动冗余。
•错误预防:用于错误预防的战术包括把可能出错的组件从服务中删除、引入进程 监视器。

第三版P35@1.3.10
出题概率:★

分类:1.信息化/信息系统



5、   2021年9月1日起施行的《关键信息基础设施安全保护条例》(中华人民共和国国务院令第745号)规定,运营者应当自行或者委托网络安全服务机构对关键信息基础设施()网络安全检测和风险评估。
A、每两年至少进行一次
B、每年至少进行一次
C、每半年至少进行一次
D、每季度至少进行一次

参考答案:B
参考解析:
《关键信息基础设施安全保护条例》
第二十八条 运营者应当建立健全关键信息基础设施安全检测评估制度,关键信息基础设施上线运行前或者发生重大变化时应当进行安全检测评估。
 运营者应当自行或委托网络安全服务机构对关键信息基础设施的安全性和可能存在的风险隐患每年至少进行一次检测评估,对发现的问题及时进行整改,并将有关情况报国家行业主管或监管部门。

分类:1.信息化/信息系统


6、当前,人工智能细分领域涌现出大批专业型深度学习框架,其中()擅长自然语言处理。
A、ROS
B、OpenCV
C、NLTK
D、ARToolKit

参考答案:
NLTK:Natural Language Toolkit,自然语言处理工具包,在NLP领域中,最常使用的一个Python库。--百度百科

分类:40.扩展要点


7、数据分析师在数据治理的()阶段,对业务进行分析,并应用业务埋点的方法分析并获取所需要的数据。
A、数据存储与管理
B、数据应用
C、数据脱敏
D、数据规划


参考答案:D
参考解析:
数据治理流程是从数据规划、数据采集、数据储存管理到数据应用整个流程的无序到有序的过程,也是标准化流程的构建过程。

跬步郎:这道题不属于高项的教程内容,不过我们仔细分析,作为一个项目来讲,想要对数据进行处理首先要先获取数据,想获取数据首先要做好规划。所以该题选项中,D数据规划应按顺序排第一位。

分类:40.扩展要点


8、国务院国资委办公厅2020年8月发布的《关于加快推进国有企业数字化转型工作的通知》中提出的四个转型方向,其中“探索平台化、集成化、场景化增值服务”属于推进()的内容。
A、产品创新数字化
B、生产运营智能化
C、用户服务敏捷化
D、产业体系生态化


参考答案:C
参考解析:
《关于加快推进国有企业数字化转型工作的通知》
三、把握方向,加快推进产业数字化创新
(三)推进用户服务敏捷化。
加快建设数字营销网络,实现用户需求的实时感知、分析和预测。整合服务渠道,建设敏捷响应的用户服务体系,实现从订单到交付全流程的按需、精准服务,提升用户全生命周期响应能力。动态采集产品使用和服务过程数据,提供在线监控、远程诊断、预测性维护等延伸服务,丰富完善服务产品和业务模式,探索平台化、集成化、场景化增值服务。

分类:1.信息化/信息系统


9、图中的软件架构设计属于()风格。
A、虚拟机风格
B、调用、返回风格
C、独立构件风格
D、数据流风格

参考答案:D
参考解析:
《系统架构设计师教程》(第四版)--希赛
9.3.2数据流风格
数据流风格架构主要包括两种具体的架构风格:批处理序列和管道-过滤器。
2.管道和过滤器
图9-5是管道/过滤器风格的示意图.

分类:40.扩展要点


10、CMMI的项目管理类过程域不包含()。
A、配置管理
B、量化项目管理
C、项目监督与控制
D、风险管理

参考答案:A
参考解析:
24.3.3CMMI过程域
3.CMMI过程域分类
CMMI过程域可以分为4类,包括项目管理、过程管理、工程和支持等4个类别。
项目管理类过程域涵盖了与项目的计划、监督和控制相关的项目管理活动。
CMMLDEV中的七个项目管理类过程域如下。
●集成项目管理(Integrated Project, Mariagement, IPM)
●项目监督与控制(ProjectMonitoringandContxol,PMC)。
●项目计划(ProjectPlanning,PP)。
●量化项目管理(Quantitative Project Management,QPM)。
●需求管理(Requ irements Ma腿gement,REQM) 
●风险管理(Risk Management,RSKM) 
●供方协议管理(Supplier Agreement Management,SAM)

第三版P796@24.3.3
出题概率:★★

分类:24.成熟度模型


更多资料内容请在微信中搜索“信息系统项目管理师口袋应试”小程序,其它专业可以搜索小程序“口袋应试”在搜索结果中选择,或访问我的个人网站。已开通的有:集成中级口袋应试、网络规划师口袋应试、网络工程师口袋应试、网络规划师口袋应试

https://www.ssper.com.cn/product/

11、 主流软件开发工具(IDE)均提供一些插件,用来进行代码的静态检查,帮助开发人员做出质量更高的软件。这种插件所进行的测试,不属于()。
A、静态测试
B、白盒测试
C、代码走查
D、功能测试

参考答案:D
参考解析:
IDE的静态检查只能部分查出代码拼写错误、标准API或类的使用正确与否,不能检查功能是否符合要求。
黑盒测试也叫动态测试。

分类:1.信息化/信息系统


12、企业内的应用集成可以包括表示集成、数据集成、控制集成和业务流程集成等多个层次和方面,对于这些集成方式关系的描述,不正确的是:()。
A、在业务逻辑比较稳定的情况下,数据集成比表示集成更灵活
B、控制集成比表示集成和数据集成的灵活性更高
C、数据集成比控制集成的复杂度高,控制集成比表示集成的复杂度高
D、业务流程集成的复杂度最高,这种集成超越了数据和系统

参考答案:C
1.4.6软件集成技术 
3.控制集成
控制集成也称为功能集成或应用集成,是在业务逻辑层上对应用系统进行集成的。控制集成的集成点存于程序代码中,集成处可能只需简单使用公开的API (Application Programming Interface,应用程序编程接口)就可以访问,当然也可能需要添加附加的代码来实现。**控制集成是黑盒集成**,其模型如图1-13所示。
...控制集成与表示集成、数据集成相比,灵活 性更高。表示集成和数据集成适用的环境下,都适用于控制集成。但是,由于控制集成 是在业务逻辑层进行的,其复杂度更高一些。
第三版P53@1.4.6
出题概率:★★★★★

分类:1.信息化/信息系统


13、信息必须依赖其存储、传输、处理及应用的载体(媒介)而存在,信息系统设备的安全主要包括()。
A、秘密性、可靠性、稳定性
B、秘密性、完整性、可用性
C、稳定性、可靠性、可用性
D、稳定性、完整性、可用性

参考答案:C 
参考解析:
1.6.1信息安全的有关概念
1.信息安全概念
1) 设备安全
信息系统设备的安全是信息系统安全的首要问题。这里主要包括三个方面:
(1) 设备的稳定性:设备在一定时间内不出故障的概率。
(2) 设备的可靠性:设备能在一定时间内正常执行任务的概率。
(3) 设备的可用性:设备随时可以正常使用的概率。
第三版P69@1.6.1
出题概率:★★★★

分类:1.信息化/信息系统


14、《国家秘密法》属于()。
A、具体规范信息安全技术、信息安全管理方面的规定
B、直接针对信息安全的特别规定
C、规范和惩罚网络信息犯罪的法律
D、一般性法律规定

参考答案:D
参考解析:
跬步郎:这道题用排除法仔细分析不是很难,保守国家秘密不仅限于信息安全和信息相关的内容.所以A、B、C都不算准确。《中华人民共和国保守国家秘密法》第九条:涉及国家安全和利益的事项,泄露后可能损害国家在政治、经济、国防、外交等领域的安全和利益的,应当确定为国家秘密.

分类:1.信息化/信息系统


15、关于RSA算法的描述,不正确的是:()。
A、RSA算法是非对称算法的代表
B、RSA算法中加密密钥与解密密钥不同
C、RSA算法中解密密钥公开而加密密钥需要保密
D、利用RSA密码可以同时实现数字签名和数据加密

参考答案:C
参考解析:1. 信息加密概念
加密技术包括两个元素:算法和密钥。密钥加密技术的密码体制分为对称密钥体制 和非对称密钥体制两种。相应地,对数据加密的技术分为两类,即对称加密(私人密钥加密)和非对称加密(公开密钥加密)。对称加密以数据加密标准(Data Encryption Standard, DES)算法为典型代表,非对称加密通常以RSA (Rivest Shamir Adleman)算 法为代表。对称加密的加密密钥和解密密钥相同,而非对称加密的加密密钥和解密密钥不同,加密密钥可以公开而解密密钥需要保密。


第三版P74@1.6.2
出题概率:★★

分类:1.信息化/信息系统


16、依据2021年印发的《5G应用“扬帆”行动计划(2021-2023年)》的通知,到2023年,我国5G应用发展水平显著提升,综合实力持续增强。打造()深度融合新生态。
①信息技术(IT)②通信技术(CT)③运营技术(OT)④网络技术(NT)
A、①②③
B、①②④
C、②③④
D、①③④


参考答案:A
参考解析:
《5G应用“扬帆”行动计划(2021-2023年)》
(三)总体目标
到2023年,我国5G应用发展水平显著提升,综合实力持续增强。打造IT(信息技术)、CT(通信技术)、OT(运营技术)深度融合新生态,实现重点领域5G应用深度和广度双突破,构建技术产业和标准体系双支柱,网络、平台、安全等基础能力进一步提升,5G应用“扬帆远航”的局面逐步形成。

分类:1.信息化/信息系统


17、当前我国政府信息化和电子政务建设发展迅速,人民群众办理很多业务只需要通过浏览器就可以完成,这些业务提供单位的信息系统软件架构规划属于()。
A、文件服务器架构
B、典型客户端/服务器两层架构
C、客户/服务器N层架构
D、基于Web的架构

参考答案:D
参考解析:
送分题,基于浏览器的web访问架构是常识.

分类:40.扩展要点


18、信息化系统规划中,制定项目计划通常用到。
A、PERT图
B、P/O矩阵
C、R/D矩阵
D、Pareto图

参考答案:A
参考解析:
1.9.2信息系统的规划方法
3.信息系统规划方法
项目确定后,即开始准备工作,主要包括:
①确定系统规划的范围,成立系统规划组(System Planning Group, SPG);
②收集数据,包括企业的一般情况和现有系统的情况,收集有关数据后,形成正式的文档并进行分类,包括业务文档、技术文档和系统 文档并对这些文档进行评审;
③制订计划,画出系统规划工作的:PERT图和甘特图,准 备好各种调查表和调查提纲;
④开好介绍会,宣布系统规划的业务领导,介绍规划范围、 工作进度、目标系统的设想和关键问题,并介绍准备过程中收集到的资料。<br/>

第三版P116@1.9.2

分类:1.信息化/信息系统


19、2021年实施的《中华人民共和国个人信息保护法》中规定,个人信息处理者处理不满()周岁未成年人个人信息的,应当取得未成年人的父母或者其他监护人的同意。
A、十二
B、十四
C、十六
D、十八

参考答案:B
参考解析:
《中华人民共和国个人信息保护法》

第三十一条 个人信息处理者处理不满十四周岁未成年人个人信息的,应当取得未成年人的父母或者其他监护人的同意。
个人信息处理者处理不满十四周岁未成年人个人信息的,应当制定专门的个人信息处理规则。

分类:1.信息化/信息系统


20、GB/T 8566-2007《信息技术 软件生存周期过程》中,将软件生成周期分为获取过程、供应过程、开发过程、运作过程和()。
A、验收过程
B、维护过程
C、移植过程
D、退役过程

参考答案:B
软件生存周期的基本过程包括五个,分别是获取过程、供应过程、开发过程、运作过程、维护过程。

分类:40.扩展要点


更多内容大家也可以关注我的公众号“跬步郎”,来进行查询。 


2021年下半年软件设计师上午真题答案及解析(三) 21、下图所示为一个非确定有限自动机(NFA),S0为初态,S3为终态。该NFA识别的字符串( )。 A、不能包含连续的字符“0” B、不能包含连续的字符“1” C、必须以“101”开头 D、必须以“101”结尾 参考答案:D 答案解析: 22、在单处理机计算机系统中有1台打印机、1台扫描仪,系统采用先来先服务调度算法。假设系统中有进程P1、P2、P3、P4,其中P1为运行状态,P2为就绪状态,P3等待打印机,P4等待扫描仪。此时,若P1释放了扫描仪,则进程P1、P2、P3、P4的状态分别为( )。 A、 阅读详情

相关推荐

2021年上半年信息系统项目管理师考试题及答案_上午客观题

2021年上半年信息系统项目管理师考试题及答案_上午客观题

2021年下半年软件设计师上午真题及答案解析

1、计算机指令系统采用多种寻址方式。立即寻址是指操作数包含在指令中:寄存器寻址是指操作数在寄存器中,直接寻址是指操作数的地址在指令中。这三种寻址方式操作数的速度( )。 A、立即寻址最快,寄存器寻址次之,直接寻址最慢 B、寄存器寻址最快,立即寻址次之,直接寻址最慢 C、直接寻址最快, 寄存器寻址次之,立即寻址最慢 D、寄存器寻址最快,直接寻址次之,立即寻址最慢 所属知识点:计算机组成与体系结构>寻址方式 答案解析: 有关于寻址方式查询速度: 立即寻址是操作数直接在指令中,速度是最快的;

WHT869706733的博客 1万+

2021年上半年信息系统项目管理师考试题及答案_上午客观题.pdf

软考,信息系统项目管理师

业务驱动技术还是技术驱动业务

业务驱动技术 or 技术驱动业务 如果自己做的是一个小的项目,就让业务驱动技术 如果自己做的是一个大的项目,那就让技术驱动业务 如果自己不能驱动业务,那就请拥抱业务变化吧。 保持代码的整洁和可读性是代码的最基本的特征.除非为了程序的效率,降低这两点,其他情况不允许. 参考: https://mp.weixin.qq.com/s?__biz=MzU0OTk3ODQ3Ng==&mi...

厚积薄发的博客 2363

2020下半年信息系统项目管理师上午下午真题及答案

2020下半年信息系统项目管理师上午下午真题及答案.zip

CMMI过程域的四个种类

CMMI过程域的四个种类 过程域可以归为四类: § 过程管理 § 项目管理 § 工程 § 支持

2021下半年信息系统项目管理师-综合知识

2021下半年信息系统项目管理师-综合知识

奋斗的蜗牛 3398

2021最新信息系统项目管理师综合知识考试题及答案.docx

2021最新信息系统项目管理师综合知识考试题及答案.docx

《软件工程》期末重点复习笔记

期末复习笔记

Dae_Lzh的博客 2925

2021年下半年信息系统项目管理师上午真题及答案解析.pdf

2021年下半年高级信息系统项目管理师上午真题及答案解析,全网最清晰,答案最正确的软考真题资料,小任老师出品,必属精品!

Vivado2022.2下载安装

链接:https://pan.baidu.com/s/1lyfE2d-VmaWC-_aR8ratCQ提取码:mt09。

weixin_61081689的博客 2万+

2021年下半年信息系统项目管理师上午客观题参考答案及解析(二)

21、()往往决定了项目的方向,一旦开发人员估计错误,将会出现严重的后果。 A、技术可行性分析 B、人员可行性分析 C、经济可行性分析 D、社会可行性分析 参考答案:A 参考解析: 3.2.1可行性研究的内容 1.技术可行性分析 技术可行性分析是指在当前市场的技术、产品条件限制下,能否利用现在拥有的以 及可能拥有的技术能力、产品功能、人力资源来实现项目的目标、功能、性能,能否在规定的时间期限内完成整个项目。 ... 技术可行性分析往往决定了项目的方向,一旦开发人员在评估技术可行性分

跬步郎的博客 2987

关于esp32蓝牙模块的使用——esp32学习笔记

关于esp32蓝牙模块的使用——esp32学习笔记 零、前言 esp32自带蓝牙模块可以让我们进行蓝牙连接并进行数据交换 一、经典蓝牙BT 首先来编写代码,经典蓝牙的使用非常简单,首先声明使用了BluetoothSerial这个库,然后使用SerialBT.begin函数设置蓝牙的名字,再然后就是设置配对码,由于这里没有用到配对码,所以我将注释掉。当配对成功我们就使用printf函数打印出蓝牙配对成功。 #include <Arduino.h> #include <BluetoothSer

qq_53965184的博客 5万+

2021年下半年信息系统项目管理师上午客观题参考答案及解析(三)

41、工程师小王作为项目干系人之一, 主动去访问项目相关的知识库,这种沟通属于()。 A、交互式沟通 B、拉式沟通 C、推式沟通 D、集中式沟通 参考答案:B 参考解析: 10.3项目沟通管理的技术和工具 4. 沟通方法 ●交互式沟通。在两方或多方之间进行多向信息交换。这是确保全体参与者对特定 话题达成共识的最有效的方法,包括会议、电话、即时通信、视频会议等。 ●推式沟通。把信息发送给需要接收这些信息的特定接收方。这种方法可以确保信 息的发送,但不能确保信息送达受众或被目标受众理解。推式

跬步郎的博客 3103

数模笔记_多变量最优化计算之牛顿法

Date: 2_22 Name: Guo Yehao Theme: Calculation in Optimality with multiple variables Reference: 数学建模方法与分析(华章) 在上一节中,我们讨论多变量最优化计算中的随机搜索算法,它的精度并不是众多算法中最高的。在精度问题上,有的时候问题本身就带有明显的误差性,以至于我们不能将其忽略,比如上一节消防站部署的问题,我们在区域划分时就有了误差,因此我们并不需要对结果要求很高的精确度,所以用一些比较粗略的算法就可以.

weixin_45358177的博客 2415

多模态大模型在AI人工智能领域的创新实践探索

随着人工智能技术的飞速发展,单一模态的数据处理已经难以满足复杂现实场景的需求。多模态大模型通过融合多种模态的数据,如文本、图像、音频等,能够更全面、深入地理解和处理信息,为人工智能的发展带来了新的机遇和挑战。本文的目的在于深入探讨多模态大模型在AI人工智能领域的创新实践,包括其核心概念、算法原理、实际应用等方面,旨在为相关领域的研究人员和从业者提供全面的技术参考和实践指导。本文的范围涵盖了多模态大模型的基本原理、算法实现、数学模型、项目实战以及实际应用场景等多个方面。

大模型应用工坊 1316

2021年下半年信息系统项目管理师上午客观题参考答案及解析(四)

61、产品版本更新后,由于工期紧张,测试工程师补测了更新部分的功能,并将测试结果补充到上一版本测试报告中。则该工程师的操作最可能引发的是()。 A、缺陷风险 B、测试环境风险 C、回归测试风险 D、测试技术风险 参考答案:C 参考解析: 23.3.5测试风险管理 在测试工作中,主要的风险表现为以下几个方面。 (1)需求风险。对软件需求理解不准确,导致测试范围存在误差,遗漏部分需求或者执行了错误的测试方式;另外需求变更导致测试用例变更,同步时存在误差。 (2)测试用例风险。测试用例设计不完

跬步郎的博客 1734

PCL:SAC-IA+ICP配准

【代码】SAC-IA+ICP配准。

m0_71596228的博客 1018

2021年下半年信息系统项目管理师《综合知识》《案例分析》《论文》真题与答案

论题明确提到项目背景要求本人真实经历,不得抄袭及杜撰,所以项目背景一定要真实,这是一个很重要的评分标准,其次要求写进度管理的过程,要把招投标的7个过程(规划进度管理、定义活动、排列活动顺序、估算活动资源、估算活动持续时间、制订进度计划、控制进度)都写到,不可遗漏任何过程,这也是论文的一个评分标准。1、概要叙述你参与管理过的一个信息系统项目(项目的背景、项目规模、发起单位、目的、项目内容、组织结构、项目周期、交付的成果等),并说明你在其中承担的工作、(项目背景要求本人真实经历, 不得抄袭及杜撰)

weixin_68261415的博客 1228

图神经网络实战(2)——图论基础

图论 (Graph theory) 是数学的一个基本分支,涉及对图研究。图是复杂数据结构的可视化表示,有助于理解不同实体之间的关系。图论提供了大量建模和分析现实问题的工具,如交通系统、社交网络和互联网等。在本节中,将介绍图论的基本原理,主要涉及三个方面:图属性、图概念和图算法。

盼小辉丶的博客 1万+

车载诊断架构 --- 车载ECU开发中DTC数量与芯片存储能力的关系及应对策略

本文探讨了汽车电子系统中ECU存储DTC故障码的容量问题及解决方案。作者作为汽车电子工程师,针对台架测试中遇到的DTC存储超限案例展开分析,指出随着汽车智能化发展,ECU需处理的DTC数量激增与芯片存储能力有限的矛盾。文章详细介绍了DTC的存储需求、ECU支持数量与芯片容量的关系,并提出应对策略,通过实际案例验证了方案的可行性。最后强调在ECU开发中需合理分配存储资源,确保关键故障信息不丢失。

Soly_kun的博客 87

2021年下半年软件设计师上午真题

1、计算机指令系统采用多种寻址方式。立即寻址是指操作数包含在指令中寄存器寻址是指操作数在寄存器中,直接寻址是指操作数的地址在指令中。这三种寻址方式操作数的速度()解析立即寻址肯定是最快的,因为直接从指令中就有。而对比寄存器寻找和直接寻址哪个快很容易,寄存器的速度肯定比磁盘快,所以本题选A。C、直接寻址最快,寄存器寻址次之,立即寻址最慢。寄存器寻址次之,直接寻址最慢。B、寄存器寻址最快,立即寻址次之,直接寻址最慢。D、寄存器寻址最快,直接寻址次之,立即寻址最慢。.........

JavaAlliance 701

全15万字丨PyTorch 深度学习实践、基础知识体系全集;忘记时,请时常回顾。

本篇博客介绍的知识是——深度学习之PyThon框架基础。这是深度学习/神经网络的基础,多次回顾,会有不一样的感受。书读百遍,其义自见。

追光者♂:记录、分享、总结、提升,现象级专栏《Python从入门到人工智能》作者,无惧黑暗,坚信曙光 5787

信息系统项目管理师(2022年)—— 重点内容:信息化和信息系统(1)

面向对象方法使系统的描述及信息模型的表示与客观实体相对应,符合人们的思维习惯,有利于系统开发过程中用户与开发人员的交流和沟通,缩短开发周期

流放深圳 8241

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

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")

2021年下半年《信息系统项目管理师》真题

努力搜罗来的2021年下半年最新出炉的真题和答案,有需要的可以看看。 因为准备不充分,这次考试放弃了,现在努力开始重头学,争取明年一次通过。(为了方便测验,故意把答案弄掉了,有需要可以找我。) 上午真题 1、“十四五”期间,我国关注推动政务信息化共建共用,推动创建网络安全空间命运共同体,属于()的建设内容。 A 科技中国    B 数字中国     C 制造强国    D 创新强国 2、()关注的是业务,以业务驱动技术,强调IT与业务的对齐,以开放标准封装业务流程和已有的应用系统,实现应用系统之间的相互访问

weixin_43833680的博客 4644

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

上一篇: 网络工程师水平考试备考资料(3)
下一篇: 2021年下半年信息系统项目管理师上午客观题参考答案及解析(二)
跬步郎
博客等级 码龄9年 419粉丝 112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