我的3次软考高项通关之旅

1、缘起

初次听说软考是在2022年下半年了,软考的高级分为很多种,我起先想报考高级架构师,但是架构师一年才考一次,如果一次考不过得再准备一年,时间对我来说太长了,于是我决定报考一年考两次的高项。对于国家资格认证考试并不陌生,我还在大学期间就考过人力资源初级考试。要通过这些考试,没有诀窍可言,只能认认真真复习备考。关于软考高级证书的作用,网上有很多介绍,这里不做赘述。

2、第1次考试

确立了目标之后,2022年10月就开始了备考工作。要通过当年11月的考试不太现实,于是我把目标定在了第二年5月的考试。高项内容多且杂,到底该如何备考对于已经工作且有家庭的我们来说复习方法就很重要了。于是,我在b站上选了几个人气高的老师试听了一下,选择了其中一位老师并报班开始学习。
第一轮学习以看视频为主,花了两三周的时间把2022年上半年的备考视频快速过了一遍。过完一遍之后,其实对于高项这门课程还是没有什么概念。第二轮学习按照老师及网上的复习建议,开始背诵49个过程域输入、输出、工具及技术。这些ITTO并不好背,常常是背了就忘或者混淆了。这样我还是靠死记硬背坚持背了两遍。第三轮学习,开始分章节做选择题,并着手准备论文。这时候,要直接写整篇论文也还是写不出来的。只能把老师给的论文范文抄写到打印的论文纸上,练习写字及写字速度。这样三轮复习下来,时间已经是2023年2月底3月初了,终于对高项的考试有了些认识,开始了第四轮复习。这轮复习,我开始按年份刷选择题、案例分析,着手准备论文背景、论据等,并在做题过程中查漏补缺。这轮复习一直持续到5月中,刷完了一遍案例分析真题,十大过程都手写准备了一篇,选择题低于45分的也刷了第二遍。到了最后冲刺阶段,按照老师提供的押题资料开始记忆背诵。老师是准确押中了论文题目的,不过,这次考试以论文挂掉结束,论文分数还挺低的:
在这里插入图片描述
考完后还觉得论文应该是没有什么大问题,具有相当的把握,结果论文低的让人怀疑人生。倒是选择题出乎预料考到了53,考完估计选择题在45~48之间。事实证明这次的选择题确实超水平发挥,后面两次备考再刷到2023年上半年的选择题时,再没刷出过53分这么高。这当然是后话了。

第2次考试

第1次考试,挂了论文也比较正常,我们的学习群里,大家都在吐槽论文真的是看天意。痛定思痛,我开始思考怎么才能提高论文。这次,我没有更换论文的项目背景,因为确实是自己经历过的真实项目。我开始从项目的维度重新准备论文,而不是把过往的项目经历拼凑到一篇论文里。并且,按照往年的论文子题目做了专门的准备:5层WBS、横道图、资源日历、成本估算、风险登记册、干系人登记册等等都准备过了。第1次考试,我抱有的心态是,论文不需要写多好,保证能过就行了。后来分析,论文普通人根本无法保证能不能过,所以必现按最好的方面去准备。第2次考试虽然加入了真实的项目经验,但我想肯定还是不够的。于是,在某宝上买了专门讲高项论文的书。拿到书后,我开始研究这些论文到底怎么写的。说实话,初看这些论文的时候,我并不能看出这些论文的出彩之处在哪里。于是,我又把上半年老师给的论文建议拿来好好读了读,比如风险管理,风险识别的输出风险登记册作为项目文件,在接下来的4个过程域实施定性风险分析实施风险定量分析规划风险应对实施风险应对的输出项目文件(更新)都要求有所体现,即在接下来的4个过程域,项目到底如何应对风险,并对风险登记册的风险一一调整对应了,论文这么写的话,要求就很高了,这也很好解释了,为什么我第1次考试都是真实的项目经验但把他们散装在一起论文也是不能通过的。最后,我还把论文评分标准分析了一遍,发现每个过程域都是要明确写出输入、输出、工具及技术的,第1次考试,我确实也没有按照评分标准来写,只写了记住了的工具技术和输出。第2次考试的复习,我把精力着重放在了论文上面,选择题及案例分析也只是保证刷了一遍真题而已。这次考试,论文分数有了提高不过还是没过,案例反而挂掉了:
在这里插入图片描述

第3次考试

第2次考试结束后,自我感觉案例是有挂掉的可能,因为有很多考硬功夫的题目没答上来;论文倒是有一丝小小的期待。分数出来后,论文有了提高,说明复习备考的方向是对的。第2次考试我的论文题目是资源管理,平时对过程域的定义、输入输出及工具技术读得很熟悉,但是在考场上,确实有遗忘,有些过程域的定义、输入输出及工具技术还是没能全部写下来,这就要求对记忆背诵的东西倒背如流,才能保证稳定发挥。根据第2次的考试分数,我开始了第3次备考之旅。既然49个过程域输入输出及工具技术记不住,那就多记几遍。我按照准备的论文,每个过程域至少选择了一个输入输出及工具技术,并同时记忆这些过程域的定义。原计划是3~5遍之后就能滚瓜烂熟,结果从1月一直持续到了考前几天。这样背了忘、忘了记,也只是勉强记住了49个过程域的定义、至少一个输入、输出及工具技术,过程域的作用也是没有记全的。同时,按新版教材分别准备了8大绩效域和变更管理、配置管理、立项管理的论文。然后是案例分析的备考,2023年上半年案例放水真的挺厉害的,我的时标网络图并没有完全画正确依然通过了及格线。2次考试的案例,其实就差了2分,说明第2次没过完全有可能是评分变严格了导致的。刷题过程中我感觉,老师给的案例分析只能说是参考答案,很多问题的答案思路并不统一。于是,又在某宝上买了一本讲高项案例的书,按照书来刷案例题,对解题思路才有了很大的提高。当然,这不够,案例分析的趋势是越来越考验硬实力,即背诵记忆的东西变多了。第3次考试,我把大部分精力放在了硬实力上,花大量时间来背诵记忆知识点。比如工作绩效数据包含哪些内容:
在这里插入图片描述
这些背诵记忆的东西多且杂,也没有规律可循,只能多花时间。考前2周,我已经做到了每天早上6:00起床开始背诵记忆,但是很多知识点也只能说混了个脸熟,并没有做到倒背如流。贴一下成绩:
在这里插入图片描述

尾声

高项的考试越来越难了,从2024年开始,高项变成了每年只能考一次,而且,各大机构押中论文的几率越来越低了。2023年上半年、下半年我的老师都是押中了论文题目的。而今年的论文,看了一圈基本没有押中的。对于我们已经参加工作的人员来说,报班学习能极大的提高复习效率。比如,2023年上半年高项教材改版、2023年下半年采用机考,老师都是反复强调过的。同时必须说明下,老师给出的论文只能给大家搭建一个基本的模板,如果只按照这个模板来写论文是肯定通不过的,还是需要多花心思准备才行。最后,祝大家都能通过考试!

  • 5
    点赞
  • 12
    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高,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,只有最高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