PMP的高通过率是怎么“吹”出来的?

最近也是到了6月和8月PMP考试的报名高峰期,后台有很多宝子问我考试通过率到底怎么样?是不是像大多数人说的那样“有手就行”“随便学学就能过”“3A简直小菜一碟”。我想大家真的是进入了一个误区,认为这个考试非常简单,甚至觉得不用学就能过。

今天给大家剖析一下,PMP简单在哪?而又难在哪?

PMP考试简单在哪?

1)考试内容相对固定,换汤不换药

PMP考试是基于项目管理知识体系(PMBOK)进行的,考试内容主要包括项目管理的五大过程组和十大知识领域。这些知识点在PMBOK中都有明确的阐述,考生只需要跟着老师进行学习记忆,就能够对考试内容有全面的掌握。

2)注重实战偏多,没有复杂的计算

PMP考试注重基础知识和实践应用。PMP考试并不过于强调深入的理论探讨或复杂的计算,而是更多地关注项目管理的基础知识和实践应用。考生只需要掌握项目管理的基本概念和工具,以及它们在实际项目中的应用,就能够应对考试。

PMP考试主要是选择题,稍微难点就是掺杂了十几道多选,加上2022年出的新考纲,考察敏捷部分比较多,但没有简答题或论述题,这就使考试看起来比较轻松。

3)讲义资料精简,概括性强

无非就是机构给予的资源支持。讲义,纸质资料把书本上的重点都囊括了,老师上课把考点圈注出来,留给学员的就是背一背,记一记,所以要说PMP考试简单,确实是简单。需要自己做的东西少之又少,只负责按时听课,记记笔记就能顺利通过考试了~

那为啥还有人考不过呢?甚至补考几次,成绩还是不合格呢?也就是我下面要说的,PMP考试难在哪?

PMP考试难在哪?

1)一味觉得考试简单,眼高手低

因为大家平时刷到的也是,机构通过率动辄95%以上,你就会潜意识认为自己是95%,从而放下戒备,认为考试就是简简单单,毕竟班上100个人,95个都能通过,想当然自己不用好好学也能轻松拿下~

这就是幸存者偏差的具体体现,所以一定不要一开始就带入自己是95%,而是怎样努力备考,才能不做剩下的5%

2)敏捷知识多,不懂得变通

新改版的PMP考纲,敏捷部分的考察占比50%,虽然题目都是选择题,看似很简单,但当自己带入情境中的项目经理,就会发现四个选项非常相似,这就要求大家在听课的时候,要知其然更要知其所以然,这样才能融会贯通,做到举一反三。

3)老师照本宣科,学不到方法,导致知识固化

刚才也说了,PMP考试简单在运用的实战比较多,但是很多人实战经验没那么丰富,怎么办?找一位讲方法,懂实战的老师,要知道,PMP考察的是项目管理人士,而项目从启动到交付,层层环节都是要落到实处的,一味专攻理论,除了加大自己的工作量,对于通过考试没有任何助益。

需要注意的是,虽然PMP考试有以上简单之处,但并不意味着考试本身容易通过。考生仍然需要投入足够的时间和精力进行学习和准备,掌握项目管理的基本知识和技能,才能够在考试中取得好成绩。同时,PMP考试也注重考生的实践经验和能力,因此考生还需要具备一定的项目管理实践经验,才能够更好地应对考试中的实际问题。


我是胖圆~感谢关注

需要推荐机构请移步公众号【胖圆说PM】找我~

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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