上海小姐姐PMP考试5A通过三阶段备考心得分享

372 篇文章 7 订阅
365 篇文章 4 订阅

考试成绩:5A

1、为什么要考PMP

PMP考试虽然比较简单,通过率也高,但在市场上仍然十分热门,受到广泛的认可,所以,从事项目管理的我,为了更好的职业发展需要,在咨询了公司的领导、同事和身边的朋友之后,最后也决定在PMP考试改版前的最后一次考试冲一把。

2、备考和学习中注意事项及我走的“弯路”

确定了一定要考也立下了必须一把过的决心后,离2021年6月20日的考试只剩下三个月不到了,我紧锣密鼓地开始了一系列准备。

先是到网上查了很多资料,咨询了很多家培训的。最开始害怕自己缺乏学习的主动性和积极性,考虑报个面对面的线下班让老师来push自己学习,但后来考虑到线下班往往仅集中于几天高强度的课程,如果设立在工作日怕协调不来日常工作和加班,如果设立在周末怕休息时间不够影响效率,总之本打工人身体和精神都吃不消啊。于是,我又转而考虑报个线上直播的培训班,但直播课程时长也不短,而我又许久不学习,总是难以高度集中注意力,无法专心听完长达几小时的直播课,一分神,知识点可不就落下了,进度可不就跟不上了,加上项目上的打工人总是有突如其来的电话和紧急事项要插队处理,平衡好工作和学习实在不容易啊。最后,我在朋友的热情推荐下报名了科科过的线上录播课每天一小时,轻松过PMP,繁重的学习任务拆解到每一天,感觉压力轻了不少,而且科科过小助理提供了一份三个月的学习计划表供参考,但我可以根据自己的实际情况安排学习计划,自己掌握学习进度,课程是录播的,被打断了,可以随时暂停,听不懂的,可以随时回放重听,我的PMP我做主,真好。
在这里插入图片描述

虽然说课程名为每天一小时,轻松过PMP,但是也不是真的每天只需要花一小时,这不还是不太够的,需要根据自己的进度适当多增加点学习时间。

第一阶段我以听课为主:每天听一节课,根据老师课上点出的重点粗略浏览PMBOK,完成课后小作业(题数不多),听老师的习题详解。

所有课都听完后进入第二阶段:我开始以章节为单元,刷专项练习和强化,刷题的同时也是在复习和巩固,由于这阶段题数较多,会发现用时更长(动辄一两小时),而且题型花样更多了,难度比课后小作业更大了,本人答题错误率很高很是挫败,这时要好好耐心去理解错题,不懂的地方要及时查阅PMBOK和讲义帮助消化知识点,必要时求助群的老师和同学帮忙解答。

第三阶段我开始刷模拟题了:这可以帮助我把各模块的知识点融会贯通,但是模拟题对注意力的要求更高了,200道题对于我完完全全是场耐力持久战!不止要做200道题,还要看200道题的解析!简直头昏脑涨!我只能循序渐进,一点一点慢慢让自己适应,从三天做一套模拟题到一天做一套模拟题,从最开始做4道题就走神,到做30道休息一半小时,到能一口气做完100道,我在努力进步!战胜了耐力之后,第四阶段我对速度和正确率有了更多的侧重。平常做题时要掐表,读题答题要利用技巧,利用科科过自动收集生成的错题本反复做错题练习,挑自己薄弱的章节重点训练,我看着模拟考成绩从10x一点点进步到15x,感慨功夫不负有心人啊!
在这里插入图片描述
3、给正在备考的同学们的建议、忠告和鼓励

首先,备考时找个一起学习的小伙伴,互帮互助可以有效提高学习动力治疗拖延症。

其次,不要被忙碌的工作和生活打败,要挤出学习的时间并且享受学习的过程。要明确自己的目标是一次过甚至高分过,不要给自己留重考的退路。

最后,多刷题,三个月不到的时间里,我总共刷了大概3500道题,是刷题让我能信心满满地踏上考场,也是刷题让我成功拿到5A的好成绩,科科过的题库数量挺足质量也挺高,值得大家用心一刷再刷!

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
【5层】公司办公楼全套设计+++(3156平,含计算书、建筑图,结构图、实习报告,PKPM,答辩PPT) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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