信息系统项目管理师-考前辅导指南-1

GitHub Copilot替代方案全测评:免费与付费工具深度对比 AI编程助手正从简单的代码补全工具演变为集成对话问答、多文件编辑与项目级上下文感知的智能开发伙伴。理解其内联补全、Chat面板和Agent模式等技术原理,是评估不同工具优劣的关键。在工程实践中,IDE集成深度、上下文索引能力与数据隐私策略直接影响开发效率。面对GitHub Copilot的订阅费用,市场上涌现出众多免费与付费替代方案,各有适用场景与隐性成本。本文从实际开发视角,横评多款主流AI编程工具,涵盖内联补全、对话问答、多文件编辑等核心能力,帮助你按需选择最合适的编程助手。 阅读详情

大家好。我是九宝老师。

很高兴通过这样的方式能够和考生朋友们交流。本人已经通过“软考”4项高级阶段认证——“信息系统项目管理师”、“系统架构设计师”、“系统分析师”、“系统规划与管理师”。接下来这段时间,我通过系列文章,将通过考试的心得体会和考试技巧分享给准备考试的同学们。真诚的希望能够帮助到你们。

这一篇文章主要讲述以下几方面内容:

  1. 备考需要哪些资料,需要哪些书

  2. 备考需要哪些工具

  3. 备考划分为哪些阶段

  4. “信息系统项目管理师”备考重点

备考需要哪些资料,需要哪些书

以下列出的官方推荐的考试用书,既然是官方推荐用书,自然要买。当然对于经济条件很好的同学,可以另外购买其他资料。

报考网站给出的备考资料链接是https://www.ruankao.org.cn/book/lists。

信息系统项目管理师教程(第3版)书号:978-7-302-48145-4定价:138.00出版日期:2017年10月

信息系统项目管理师考试大纲(第2版)书号:978-7-302-47794-5定价:15.00出版日期:2017年9月

信息系统项目管理师2013至2018年试题分析与解答书号:978-7-302-53914-8定价:119.00出版日期:2019年12月

注意:

“信息系统管理工程师”对应的是“中级”,我们报考的是“信息系统项目管理师”对应的是“高级”。购买资料一定要看清。

【篇外音】——我可没有做广告,这是官网信息。当然,你可以在“你懂得”的网站购买。

信息系统项目管理师教程(第3版),是备考主要学习的书,这本书很厚。好消息是这本书包含大多数考点;坏消息是这本书包含的知识点太多。后续我会详细介绍信息系统项目管理师教程(第3版),哪些是重点,哪些是可以稍微忽略。

备考需要哪些工具

学习方法有很多,重点是学习效率。在此,我主要介绍我的学习方法,希望能够给考生朋友一些启示。当然,主要的还是要因人而异。

准备以下工具:

  1. 黑、红、蓝签字笔各一只。黑色笔用于做笔记,红色笔用于标记重点,蓝色笔用于抄写教科书上的知识点。

  2. 笔记本两本。一本用于做读书笔记,另一本用于写学习心得。

  3. 便签若干,用于辅助记忆,有些知识点需要强制记忆,都抄写到便签上。

  4. 草稿纸若干

备考划分为哪些阶段

首先需要明确的是,“信息系统项目管理师”是国家级别“高级”阶段的职业资格认证考试。由于其证书较高的含金量,因此,请务必认真准备考试。我建议备考分为四个阶段。

第一阶段,主要任务:认真读书,时间规划:1.5-2月。

“信息系统项目管理师”所对应实际工作岗位是“项目经理”。“项目经理”本质上属于管理岗。或者更准确的说,更偏向于管理岗。因此,你备考应该站在“备考管理学科”的角度准备考试。

【篇外音】——对于一些规模不是很大的项目,项目经理可能是全能角色——沟通需求、确定软件架构方案、指导团队开发、定期客户汇报、组织验收测试,以及上线部署、客户培训。但是,我们现在是备考,就需要按照“大型项目”来考虑。项目经理的主要工作职责是:沟通、协调、管理。

这一阶段主要任务是认真读书。读的一定是官方指导教材,由清华大学出版社出版的《信息系统项目管理师教程(第3版)》——下文简称“教科书”。需要注意的是“认真读书”,不是要求你使用荧光笔将教科书的重点画的“五光十色”。重点是要理解教科书的“价值观”。

【篇外音】——“五光十色”,我居然这一刻能想到这个用词。

所说的“价值观”是指教科书对于软件项目“十大知识”领域、“信息系统项目管理基础”、“项目立项管理“、“组织级项目管理”、“项目集管理”、“项目组合管理”、“变更管理”、“配置管理”、“需求管理”,以及其他的信息化项目管理的观点。这些观点中,主流价值观一定是普遍认同的;针对于细小的价值观,可能你并不认同,但是,为了通过考试,请以教科书所述为主。

还有一点需要注意,这本书很厚。部分细小观点在不同章节的解读不一致,读书时,大可不必“睚眦必较”。只要求“领会精神”即可。

第二阶段,主要任务:解决案例分析题,时间规划:0.5-1月。这个时间因人而异,我给你出的是最小时间。当然,请按照个人实际情况酌情规划。案例分析题被称为“鬼门关”、“照妖镜”。“信息系统项目管理师”备考是否充分,是否能够大概率通过考试,很大程度取决于案例分析题的得分情况。

另外,案例分析题的考试范围与论文考试范围有很大的重合。案例分析题能够顺利答题,说明对于考试相关知识点理解的比较好,对于论文答题是有很大帮助。

【篇外音】——选择题是“四选一”的单项选择,你一定不会“交白卷”。案例分析题是主观题,要是备考不充分,真的“无话可说”,很有可能“交白卷”。

考试场上,请务必注意,不要提前交卷!!!不要提前交卷!!!不要提前交卷!!!

提前交卷的不一定是“都会”,可能是“缴械投降”。“信息系统项目管理师”这门考试是有一定难度的。加之考生大多是在职工作的,可能收到各种条件的限制,部分考生备考不足,很有可能中途“弃考”。

因此,我在培训班教学时,再三讲,“自己考自己的”,不要受到别人提前交卷影响。

【篇外音】——部分考场周围有无线电电干扰,主要是为了防止考试作弊。提前交卷,手机没信号,你懂得。

第三阶段,主要任务:解决论文题,规划时间:0.25-0.5月。你没看错,我说的是0.25-0.5月,就是1-2周准备论文。需要注意的是,这个论文的准备时间是有以下先决条件的。

  1. 已经认真阅读教科书,已经理解、背诵教科书有关知识点。

  2. 个人具备基础的写作能力。不存在“提笔忘字”、“大学毕业后,十几年不动笔写字”的情况。

  3. 理解所谓“论文模板”、“论文答题套路”

关于论文题的答题诀窍,后续会专题分享。现在,你需要知道的是,论文并不像想象中“很难”;但是,考过论文一定是以第一阶段“认真阅读教科书”为前提条件。

第四阶段,主要任务:解决选择题,规划时间:0.5-1月。前文说到备考需要买三本书。

  • 信息系统项目管理师教程(第3版)书号:978-7-302-48145-4定价:138.00出版日期:2017年10月

  • 信息系统项目管理师考试大纲(第2版)书号:978-7-302-47794-5定价:15.00出版日期:2017年9月

  • 信息系统项目管理师2013至2018年试题分析与解答书号:978-7-302-53914-8定价:119.00出版日期:2019年12月

解决选择题主要靠“刷题”。“刷”的就是过往考试真题。需要《信息系统项目管理师2013至2018年试题分析与解答》。由于图书出版有一定的时间滞后,因此,最邻近几次考试的真题试卷可能没有包含到官方指定的备考书籍。

一方面,考生朋友可以自行到网络搜索相关资料;另一方面,可以参照其他备考资料。需要注意的是,推荐购买官方的资料,是因为官方推荐资料相对值得信赖。备考时,请不要过分依赖所谓的“参考答案”。

总结,一共分四个阶段。

时间

任务

第一阶段

1.5-2月

认真读书

第二阶段

0.5-1月

解决案例分析题

第三阶段

0.25-0.5月

解决论文题

第四阶段

0.5-1月

解决选择题

“信息系统项目管理师”备考重点

“信息系统项目管理师”考试的重点自然是“十大知识领域”——对于第2版本教科书,是“九大知识领域”——第3版本教科书增加“干系人管理”。

“十大知识领域”指的是:

  • 第4章:项目整体管理

  • 第5章:项目范围管理

  • 第6章:项目进度管理

  • 第7章:项目成本管理

  • 第8章:项目质量管理

  • 第9章:项目人力资源管理

  • 第10章:项目沟通管理和干系人管理

  • 第11章:项目风险管理

  • 第12章:项目采购管理

除了“十大知识领域”,还需要重点关注的是:

  • 第2章:信息系统项目管理基础

  • 第3章:项目立项管理

  • 第13章:项目合同管理

  • 第14章:项目文档管理与配置管理

  • 第15章:知识管理

  • 第16章:项目变更管理

  • 第17章:战略管理

  • 第18章:组织级项目管理

  • 第19章:流程管理

  • 第20章:项目集管理

  • 第21章:项目组合管理

  • 第24章:项目管理成熟度模型

  • 第25章:量化的项目管理

  • 第26章:知识产权与标准规范

  • 第27章:管理科学基础知识

图中增加了需求工程。对于信息化项目而言,需求的重要程度不言而喻。

如果一定要按照重要程度,划分重要程度,应该是如下图所示。

好了,到现在为止,第一篇文章我向你介绍了以下几方面内容:

  1. 备考需要哪些资料,需要哪些书

  2. 备考需要哪些工具

  3. 备考划分为哪些阶段

  4. “信息系统项目管理师”备考重点

给出备考资料。

  • 信息系统项目管理师教程(第3版)书号:978-7-302-48145-4定价:138.00出版日期:2017年10月

  • 信息系统项目管理师考试大纲(第2版)书号:978-7-302-47794-5定价:15.00出版日期:2017年9月

  • 信息系统项目管理师2013至2018年试题分析与解答书号:978-7-302-53914-8定价:119.00出版日期:2019年12月

推荐备考工具。

  1. 黑、红、蓝签字笔各一只。黑色笔用于做笔记,红色笔用于标记重点,蓝色笔用于抄写教科书上的知识点。

  2. 笔记本两本。一本用于做读书笔记,另一本用于写学习心得。

  3. 便签若干,用于辅助记忆,有些知识点需要强制记忆,都抄写到便签上。

  4. 草稿纸若干。

给出备考的时间计划表。

时间

任务

第一阶段

1.5-2月

认真读书

第二阶段

0.5-1月

解决案例分析题

第三阶段

0.25-0.5月

解决论文题

第四阶段

0.5-1月

解决选择题

指出“信息系统项目管理师”备考重点(如上,不做赘述)。

第一篇文章到此为止,希望能对你有所帮助。

2021年11月8日

软考项目管理师(高级)快速通过分享 我之前写过关于 PMP 的主题分享,关注公众号「kevinsheng」后,回复「pmp」即可查看。我参加了2018年上半年的软考(计算机与软件专业技术资格考试),报考的是信息系统项目管理师(高级),前天查了成绩,顺利通过。压线报名,备考一个月,但真正复习时间加起来两周左右,之前有同事考了3回都没过,我是第一次,备考时间很紧,能考过很幸运。我反复思考,其实也不是因为幸运,是自己的备考策略比较好,才能... 阅读详情

相关推荐

信息系统项目管理师-考前辅导指南-2

大家好。我是九宝老师。 欢迎来到“信息系统项目管理师-考前辅导指南”,这是第2讲。 上一讲,我向大家介绍了信息系统项目管理师备考时间计划。我建议备考分为四个阶段。 时间 任务 第一阶段 1.5-2月 认真读书 第二阶段 0.5-1月 解决案例分析题 第三阶段 0.25-

zhaidp_java的博客 379

全面信息系统项目管理师考试备考指南

项目管理是一种组织、规划、激励和控制资源、风险、时间、质量等要素以达成特定目标的方法论。它在现代企业运营中占有核心地位,尤其是在资源有限、时间紧迫、任务复杂多变的环境中,项目管理能力往往决定了企业的竞争力。了解项目管理的基础知识是进入项目团队、提升个人职业素养的第一步。项目范围定义是项目管理中至关重要的一环,它明确了项目所需完成的具体工作内容。成功的范围管理能够确保所有参与项目的人对项目成果有着一致的理解,同时避免了范围蔓延——这是项目超出预算和时间限制的主要原因之一。

weixin_42393362的博客 1102

信息系统项目管理师 备考指南+学习计划安排表

信息系统项目管理师 备考指南.doc 详细介绍 第一:搜集考试信息、购买相关教材等。 第二、信息系统项目管理师之选择题备考 第三、信息系统项目管理师之案例分析题备考 第四、信息系统项目管理师之论文备考 信息系统项目管理师教程学习安排表.xls 根据书本目录,详细记录从学习到考试时间的学习进度计划安排,各自根据自己的实际情况制定学习计划。

机器视觉/将HIK海康面阵相机连接Halcon软件

本文简述了如何将海康面阵相机连接到Halcon软件中进行实时取图的过程。

Dahe.qu 4866

目标检测中的困难样本挖掘:YOLOv5训练效果提升30%的秘诀

本文深入探讨了目标检测中困难样本挖掘的关键技术,特别是如何通过在线困难样本挖掘(OHEM)策略显著提升YOLOv5模型的性能。文章详细解析了困难样本的分类、识别机制及实战配置,并提供了数据标注策略与增强技巧,最终实现模型性能提升30%的突破。

weixin_30379531的博客 401

期权专题9:雪球期权(一)(BSM+蒙特卡罗定价)

python;雪球定价;蒙特卡罗

mhmh123789的博客 8104

【图神经网络】从0到1使用PyG手把手创建异构图

异构图的准确定义如下:异构图(Heterogeneous Graphs):一个异构图GGG有一组节点V=v1,v2,...,vnV=v_1,v_2,...,v_nV=v1​,v2​,...,vn​和一组边E=e1,e2,...,emE=e_1,e_2,...,e_mE=e1​,e2​,...,em​组成,其中每个节点和每条边都对应着一种类型,用TvT_vTv​表示节点类型的集合,TeT_eTe​表示边类型的集合,一个异构图有两个映射函数,分别将每个节点映射到其对应的类型ϕv:V→Tv\phi_v:V\rig

小哲的博客 7833

【用unity实现100个游戏之1】制作类元气骑士、挺进地牢——俯视角射击游戏多种射击效果(一)(附源码)

俯视角射击游戏)是一类以俯视视角进行游戏展示的射击游戏。在这种游戏中,玩家控制着一个角色或载具,从俯视的角度上方观察游戏世界,并与敌人进行战斗。这种视角使玩家能够有更好的全局观察和策略性,同时也强调快速反应和精确射击。视角:俯视角度可以是固定的,也可以随着玩家角色的移动而变化,但都允许玩家以全局视角观察整个战场,有利于制定战略和规划行动。射击:玩家通常需要使用各种武器来与敌人进行战斗,包括枪械、爆炸物等。射击动作依赖于玩家的反应速度和准确性。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 7832

​非线性分析-增加位移量可能出现下面错误。虽然求解无法在所有时间点完成,但在某些点上仍能够求解部分结果。请参阅“帮助系统”中的故障排除,以了解更多信息详情。由于受约束,规划求解引擎无法收敛

基于收敛状态拆分载荷步‌:在已收敛的载荷步基础上,将未收敛的关键区域拆分为更细的子步,比如在载荷突变点前设置5~10个子步,逐步加载。替换冲突约束为弱约束‌:若存在约束冲突,将刚性约束替换为弱弹簧约束(刚度设为1e-6~1e-4),既限制刚体位移,又不影响结构的变形自由度,命令流:SPRING, NODE, K, 1e-6。部分区域约束完整,但存在未被约束的刚体自由度,或约束类型与大变形/接触逻辑冲突,比如某部件的位移约束在初始阶段有效,但大变形后约束位置脱离实际受力点,导致求解器在该阶段无法收敛。

qq_15963745的博客 145

软考中级-软件设计师 Python基础

软考中级-软件设计师 Python知识点整理

片言可决讼,半纸能缚龙 3642

Ardupilot无人船(车)mavros自主控制

rover 4.4。

超维空间科技的博客 3229

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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

上一篇: 导演与项目经理
下一篇: 信息系统项目管理师-考前辅导指南-2
zhaidp_java
博客等级 码龄18年 232粉丝 116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

打赏作者

zhaidp_java

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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