X. 发布的文章

人工智能、机器学习和深度学习之间的关系:
机器学习是人工智能的一个分支,该领域的主要研究对象是人工智能,特别是如何在经验学习中改进具体算法的性能;深度学习是一种典型的机器学习方法,是一种基于对数据进行表征学习的算法。
人工智能 > 机器学习 > 深度学习。

机器学习
人工智能实现路径:机器学习是对能通过经验自动改进计算机算法的研究;机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。人类是基于经验,机器学习基于训练模型。
举例:草莓
机器学习就是找到草莓的不同特征维度(尺寸、颜色、成熟度)与草莓标签(酸、甜)之间的映射关系。
机器学习就是找到特征与标签之间的关系,利用算法从一类训练数据或信息中自动分析并获得该类数据或信息的规律,并利用获得的规律进行预测。
上述寻找关系和规律的过程,称为训练。结果是得到一个机器学习模型。

三种类型:监督学习、无监督学习、强化学习。
监督学习:是在有指导的前提下让机器进行学习,这种指导的关键是给训练数据标注好“标签”。监督学习的目标在观察完一些事先标注过的训练数据(输入和预期输出)后,这个模型对任何可能出现的输入去预测其输出。要达到此目的,学习者必须以“合理”(归纳规律)的方式从现有的数据中一般化到未观察到的情况。在人类和动物感知中,则通常被称为概念学习。
无监督学习:无指导的学习的过程,待训练的数据没有标签。聚类:机器学习算法寻找共同特征,并聚合到一起;把相似的对象通过静态分类的方法,分成更多的组别或者不同的子集,使成员具备相似的属性。
系统自由的探索,所学的内容要包括理解数据本身,而不是将这种理解用于特定的任务。通往通用智能的道路,必须有无监督学习。比如监督学习是考试,知道答案,学习后下次的目的就是考试。无监督学习是自己学习试卷,把语文、数学题分开,并不是要考100分为特定的目的。就是归纳数据,创建子集。和人类的“归纳”学习方法类似。
强化学习:强化学习(Reinforcement Learning, RL)是机器学习的一个重要分支,它主要解决的是决策问题,即让智能体(agent)在与环境的交互过程中自动进行决策以达到回报最大化或实现特定目标。
强化学习的基本框架包括四个元素:agent、环境状态、行动和奖励。智能体(agent)根据当前的环境状态(state)按照某种策略(policy)选择下一步动作(action),并从环境中得到奖励(reward)。强化学习可以分为基于值(value-based)的强化学习、基于策略(policy-based)的强化学习和演员-评论家(Actor-Critic)方法。
强化学习是一种试错方法,没有直接的标签,而是通过奖励来学习。

深度学习
神经网络模型:深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅草莓照片)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。
深度学习的最主要特征是使用神经网络作为计算模型。神经网络模型 得名于其对于动物神经元传递信息方式的模拟。
深度,一般指神经网络的层数。一般有2-3个隐藏层;深层神经网络,隐藏层可能有150层。
深度学习 VS 机器学习:相辅相成。
特征处理:
所有机器学习:需要可准确识别且有人工提取的特征。
深度学习:从数据中习得高级特征,并自行创建新的特征

学习方法:
所有机器学习:将学习过程划分为较小的步骤。然后,将每个步骤的结果合并成一个输出。
深度学习:通过端到端地解决问题来完成学习过程,只要有输入和输出即可,不需要分为更多步骤。

数据依赖:
所有机器学习:可以使用少规模的数据做出预测,可解释性好,性能好。
深度学习:需要使用大量的训练数据做出预测,可解释性不好。

硬件依赖:
所有机器学习:可在低端机器上工作,不需要大量的计算能力。
深度学习:依赖于本身就能执行大量的矩阵乘法运算的高端机器。 GPU可以有效地优化这些运算。

最后,深层神经网络,数据量大性能越好,传统机器学习,数据量大,性能和结果扁平。

人工智能发展的成功要素
算法的进步启发人工智能的发展
2006年以来,以深度学习为代表的机器学习算法发展:卷积网络、循环网络、生成对抗网络、强化学习。

Hinton AI教父:相信大脑不是将信息存储在一个单元里面,而是分布式全息存储,坚持神经网络理论研究40年。
算法取得长足进步:1986年,Hinton在ture发表“Learning Representations by BackPropagating Errors”,第一次阐述多隐层神经网络,解决了线性不可划分难题;(表征学习)。
1989年,Hinton的学生Yann Lecun,利用卷积神经网络的技术,开发支票识别软件。
面临问题:计算性能不足、数据确实严重、问题的复杂性。

神经网络的发展现状:2006年,深度神经网络和深度学习算法,成为前沿至今。
问题突出:可解释性、网络优化、数据稀缺性、算法复杂度。

数据推动人工智能的发展
全球数据大规模增长:
21世纪头10年,互联网发展,IT蓬勃创新,大数据在互联网行业最先得到重视。
2005年,hadoop出现,大数据重大突破。
2007年,数据密集型科学出现。

Imagenet大规模数据集:
2009年,李飞飞团队发布第一个超大型图像数据库,320万个图像,目标8万个英文名词,每个500-1000个图像。
2010年,大型图像识别竞赛第一次举办。

ILSVRC竞赛—图像识别:
Top Five Category。
2012年冠军,Hinton和2个学生,错误率达到15.3%。
2015年开始错误率低于人类。

高性能计算机保驾护航:
AI芯片诞生,GPU就AI芯片的一种。
2009年,斯坦福大学的吴恩达,Large-scale Deep Unsupervised learning using Graphic Processors,参数规模达到1亿。

人工智能迅速发展的技术领域
计算机视觉
定义:Computer Vision CV,计算机如何象人类一样的看的学科。用摄影机和计算机,代替人眼,识别、监测、测量,并进一步处理,成为更适合人眼观察或仪器检测的图像。
场景:
图像分类:根据不同的语义区分图像、图像做为输入进行区分、使用深度学习和神经网络、细粒度图像分类。
应用:动物保护、目标检测、医疗诊断、鸟类保护等。
图像重建:它通过对已有的图像信息进行处理和分析,能够恢复、重建或增强缺失或损坏的图像,为各种应用领域提供高质量的图像信息。用于遥感、CT等。
目标检测:
在图像中定位感兴趣的目标,准确判断每个目标的类别,并给出每个目标的边界框。
难点和重点:小目标的高精度检测、多类别目标检测。
应用:机器人导航、自动驾驶、智能视频监督、工业检测、人脸识别等。
图像搜索:图像检索技术可以分为两类:基于文本的图像检索(TBIR)和基于内容的图像检索(CBIR)。核心在于图片特征的提取。涉及版权保护、拍照购物等。
图像分割:将数字图像分割为若干个图像子区域(像素的集合,也被称为超像素),改变图像的表达方式,以更容易理解和分析。是图像处理与理解和人工智能等多个领域中十分重要又十分困难的问题,是计算机视觉中的关键步骤。
分为三类:
语义分割:预测输入的图像的每个像素点属于哪一类标签。
实例分割:在语义分割的基础上,还要区分出同一类的不同个体。
全景分割:在实例分割的基础上,对背景的每个像素点,进行分割。
应用:医学核磁影像、遥感领域、交通领域的车辆轮廓提取。

语音技术
让智能设备能够听懂人的语音,也可以让机器说话的一种技术,涉及:数字信号处理、人工智能、语言学、数理统计、声学、情感学、心理学等;包括:语音识别技术ASR,语音合成技术TTS。
语音技术与人工智能:智能客服、智能家居等。
三个应用场景:
语音识别:目标是电脑可自动识别人类的语音为文字;语音拨号、语音导航、室内控制、文档检索、简单的听写数据录入。
语音合成:定义:采用机械的、电子的方法,实现人造语音的技术;TTS(Text-to-Speech),文语转换技术,将文本转为流利的语音。应用:人机交互、智能客服等,
声纹识别:生物认证技术的一种,根据说话人语音中生理和行为特征的语音参数自动鉴别说话人身份的一种技术。交叉运用了生理学、心理学、语音信号处理、模式识别、统计分析和人工智能综合知识。应用:移动互联网、通信、门禁等。

自然语言处理:Natual Language Processing,NLP,包括自然语言识别和自然语言生成,用途是从非结构化的文本数据中,发掘洞见,并访问这些信息,生成新的理解。
自然语言处理与人工智能:用机器来处理大规模的自然语言信息。人工智能、计算机、信息工程的交叉学科。由于语言是人类思维的证明,因此自然语言处理是人工智能的最高境界,被誉为“人工智能皇冠上的明珠”。
应用场景:
文本分类:Text Categorization,将文本按照一定的分类体系或者标准自动的分类打标签。新闻分类、邮件自动回复、广告过滤、内容审核等。
机器翻译:Machine Translation,属于计算机语言学的范畴,利用计算机程序将文字或者演说从一种语言翻译成另一种语言。使用一种基于语言规则的语法,文字依据语言学的规则来翻译,即1个最合适的目标语言的字词将会替代源语言。
成功的关键:能够优先解决对自然语言的正确认知和辨识。
应用:在线多语言翻译、语言同传、翻译机(微信翻译等)、跨语言检索。
知识图谱。
对话系统:Dialogue System,对话系统,也称会话代理,一种模拟人类与人交谈的计算机系统,旨在可以与人类形成连贯通顺的对话,通信方式主要有语音/文本/图片,当然也可以手势/触觉等其他方式。
类别:任何导向型对话系统和非任务导向型对话系统(聊天机器人)。
应用:聊天机器人、语言助手、智能客服。
信息检索。
文本生成。

人工智能使用最多的语言:Python,需要一些数学基础、机器学习的原理,以及应用场景(机器视觉)和文字识别。
人工智能的应用,指纹识别、刷脸解锁、金融、零售、教育、医疗、交通等。
指纹和刷脸解锁:样本采集、图片和纹路识别,转换数字信号,样本对比。
数据和技术的基础:数据的成熟度和技术的成熟度。
人工智能的应用基础:场景清晰度和AI应用历程。
看组织机构战略和文化。

使用率最高的行业:金融
金融行业场景:智能风控、智能支付、智能理赔、智能投研、智能投顾。

零售行业:设计、电商、供应链管理、收益管理、生产制造、线下。人工智能提升零售全流程运行效率,优化消费者体验。
智慧零售:提升全流程运行效率,提升用户体验
设计:配色参考、图片分析
电商:以图搜图、智能推荐
供应链管理:仓储设计、库存管理、区域划分、运输路径优化
收益管理:定价策略
生产制造:拍摄样品、智能质检
线下零售:选址、识别商品、智能监督、优化商品摆放、流量统计分析

智能教育(AI + 教育):深入到学习的各个环节。最外围:伴读、搜题。次外围:测评,例如流利说。核心:起步阶段。关键场景:获取学习资料、沟通、测评、教学辅助、教学认知和思考、分层排课、图像识别批改阅卷等。

智慧医疗:从影像分析、辅助诊疗、健康管理等角度做好医患助手。
语言输入病例、影像分析(病灶识别、降低误诊、减少重复劳动、帮助医生发现罕见病)、综合性诊疗(虚拟医生、利用自然语言处理、知识图谱、计算机视觉、推理、诊疗)、健康管理(健康监测、预测)、医疗机器人(手术、康复机器人、提高精度)、药物研发(降低发现候选药物时长、降低新药研发成本)等。

智慧制造:助力生成制造优化、减少重复劳动、实现智能制造。
设备健康管理:基于特征分析和机器学习,进行设备故障预测和全生命周期管理,进行预测性维修,让设备长期受控,降低维保费用。
智能质检:利用计算机视觉进行产品缺陷检测,降低人工成本,提升品质。
工艺参数性能优化:结合专家经验和智能分析,挖掘数据背后的规律,调整工艺参数。
3D(智能无序)分拣运输机器人:借助3D视觉,物品识别、姿态估认、尺寸测量、运动规划,例如抓取不规则物品,且有效放置。

智慧健康:降低健康管理成本,实现交互革命,增强人类功能。健康数据管理、低成本康复管理、变革多维交互体验(AR/VR)、智能化康复设备制造、个性化增强人类功能(AI干预自闭症等)。

智慧交通:拥堵分析、路线优化、智能调度、辅助驾驶;交通信号灯智能匹配、车道偏离预警、碰撞预警、夜间辅助等。
航空优化:航线网络优化、机组排班优化、收益管理等。
自动驾驶:限定场景的自动驾驶。
共享单车:智能分析热力图、调度策略、未来需求预测、提升平台运营效率等。

人工智能的发展
政策支持人工智能走向泛在:分为四个阶段。
探索阶段:2012~2014
第一阶段:2015~2016,出标准,积累技术,市场热度上涨。
第二阶段:2017~2018,上升为重要战略
第三阶段:2019,强调与实践深度融合
第四阶段:2022~至今,如今人工智能上升为新基建。

需求:应用场景持续涌现。转型需求:人工红利转型为创新红利。
场景丰富:找大规模、多样——数据资源大。
抗疫:疫情常态化,无接触是重点。

供给:智能产业生态不断丰富。
技术:从实验室走向大规模的商用,从芯片、深度学习算法到AI几大应用领域。
数据:数据正式成为重要的生成要素,大数据推动AI算法不断优化,智能离不开数据。
市场:供需互相促进的正向市场环境建立,数据记录——模型优化——应用升级。
资本:走出炒作泡沫,聚焦价值领域。
平台:大厂普遍开放平台生态。

AI走向泛智能:智慧+、AI新基建、智能底座。

艾伦图灵,1936年发布《论可计算数及其在判定问题上的应用》,提出算法和计算机两个概念。1950年发布论文《计算机与智能》,提出了“图灵测试”。
1956年美国达特茅斯会议“人工智能”概念诞生。人工智能(Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新技术科学。人工智能是对人的意识、思维的信息过程的模拟,人工智能不是人的智能,但能像人那样思考、也可能超过人的智能。根据对环境的感知做出合理的行为并做出做大收益。
人工智能三个层面:计算智能(能算能存)、感知智能(能听能说,能看能认)、认知智能(能理解,会思考)。
计算智能,快速计算和记忆存储,速度较快占领高地。1996年国际象棋大师卡斯帕罗夫4:2击败IBM深蓝,但1997年输给了深蓝。
感知智能,能听能说,能看会认,具备听说读写的能力。人工智能比人类智能更具优势,可以主动感知,比如BigDog、自动驾驶汽车等,充分利用深度神经网络和大数据的成果。
认知智能,能理解、思考、决策,具备概念、意识、观念都是认知智能的表现。人工智能开始主动开展探索,在一定程度上模拟人类的创作过程。

现阶段实现AI的基本方法及技术领域。
从技术应用场景展开,包括计算机视觉、语音识别、自然语言处理等概念。
从实现AI的技术工具和方法论展开,机器学习是是实现AI的最大技术工具集,包括监督学习、无监督学习、强化学习。其中深度学习是机器学习最重要的分支,实现AI效果最佳,深度学习的核心是神经网络的算法技术。

名词解释:
人工智能(Artificial intelligence):人工智能亦称智械、机器智能,指由人制造出来的机器所表现出来的智能。通常人工智能是指通过普通计算机程序来呈现人类智能的技术。
算法(Algorithms):在数学(算堂)和计算机科学中,一个被定义好的、计算机可执行的有限步骤或次序。常用于辻算、数据处理和自动推理,例 f(x)=y。

机器学习(Machine learning):设计和分析一些让计算机可以自动“学习”的算法。机器学习是一类从数据中自动分析获得规律并利用规律对未知数据进行预测的算法。
深度学习(Deep learning):是机器学习中一种基于对数据进行表征学习的算法。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
神经网络(NN):现代神经网络是一种非线性统计性数据建模工具,神经网络通常是通过一个基于数学统计学类型的学习方法得以优化,所以也是数学统计学方法的一种实际应用,
监督学习(Supervised learning):机器学习的一种方法,可以由训练资料中学到或建立一个模式(函数/learning model),并依此模式推测新的实例。
无监督学习(Unsupervised learning):机器学习的一种方法,没有给定事先标记过的训练示例,自动对输入的资料进行分类或分群。

人工智能特点:厚基础、重交叉、宽口径。
学科领域:数学与统计、科学与工程、计算机科学与技术、人工智能核心、认知与神经科学、先进机器人技术、人工智能与社会、人工智能与平台。

项目生命周期和项目阶段,不同的项目周期可能不一样。(掌握)
项目生命周期——项目从启动到完成所经历的一系列阶段,阶段间的关系可顺序、迭代、交叠。(时间维度划分)。
开发生命周期——项目生命周期内与产品、服务或成果的开发相关的一个或多个阶段。 (生命周期中某几个阶段)。
项目通用生命周期——启动项目;组织与准备;执行项目工作;结束项目; (4个通用阶段)。
产品生命周期——从项目开始到项目结束再到项目产品运行生命终止(退出市场)的全过程。
项目管理过程组——启动、规划、执行、监控、收尾(5个通用操作过程)(管理操作维度划分)。

通用生命周期(掌握)
(1)成本与人力投入:项目开始时“缓慢增加”,在“执行工作”期间达到最高,项目快结束时“迅速回落”。
(2)风险与不确定性、干系人的影响力、变更的数量:项目开始时最大,后续“逐步降低”。
(3)变更的代价、风险的影响:项目开始时较小,后续“显著增高”。

开发生命周期——预测型(瀑布型、计划驱动)如建筑行业(掌握)
可行性——设计——构建——测试——部署——收尾
优点:按阶段便于管理;开发团队比较弱适用;
缺点:周期长;不灵活;
特点:
范围、进度、成本在早期阶段就确定;范围变更很少,干系人之间有高度共识;对任何范围的变更都要进行严格管理;每个阶段都侧重于某一特定类型的工作;上一阶段输出作为下一阶段输入,阶段评审通过则进入下一阶段,否则返回之前阶段;按计划执行、一次交付。
适用:需求明确或很少变更的项目;有厚实的行业实践基础;整批一次性交付有利于干系人。

开发生命周期类型—迭代型(掌握)
迭代型——范围在早期确定,但时间及成本估算将随项目团队对产品理解的不断深入而定期修改。
适用于:计划多期开发的、在开发早期需求可能有所变化、需要降低项目复杂性的、部分交付有利于干系人的。重复的循环,属于“完善型迭代”。

开发生命周期类型—增量型(掌握)
在预定的时间区间内渐进增加产品功能的一系列迭代来产出可交付成果。
(1)只有在最后一次迭代之后,可交付成果具有了必要和足够的能力,才能被视为完整的。
(2)渐进地增加,属于“功能型迭代”。

开发生命周期类型—适应型(敏捷型、变更驱动)(掌握)
在每次迭代前,项目和产品愿景的范围被明确定义和批准,每次迭代(又称 “冲刺”)结束时,客户会对具有功能性的可交付物进行审查并提供反馈,反馈意见会更新至项目待办事项列表,以确定下一次迭代中特性和功能的优先级。
特点:先基于初始需求制定一套高层级计划,再逐渐把需求细化到适合特定规划周期所需的详细程度。较小增量、快速迭代(2~4周,固定)、每次交付最有价值成果。
适用:需求不确定,不断发展变化的项目。
2024-07-15T02:09:39.png

项目管理过程组——为了达成项目的特定目标,对项目管理过程进行的逻辑上的分组。(了解)
启动过程组——授权一个项目或阶段的开始;
规划过程组——明确项目范围、优化目标,并为实现目标制订行动计划;
执行过程组——完成项目管理计划中确定的工作,以满足项目要求;
监控过程组——跟踪、审查和调整项目进展与绩效,识别变更并启动相应的变更;
收尾过程组——正式完成或结束项目、阶段或合同。
过程组在整个项目期间相互重叠;过程组中的各个过程会在每个阶段按需要重复开展,到达到该阶段的完工标准。

项目管理过程组—适应型项目中的过程组(掌握)
启动过程组——识别关键干系人,每个迭代期开展,频繁回顾和重新确认项目章程,确保朝最新的目标推进;
规划过程组——让尽可能多的团队成员和干系人参与到规划过程;
执行过程组——每次迭代都在一个很短的固定时间段内开展工作,干系人和团队基于演示来进行回顾性审查;项目经理聚焦于高层级的目标,并授权团队成员用最能实现目标的方式自行安排具体工作;
监控过程组——通过维护包含工作和变更的未完项清单,对进展和绩效进行跟踪、审查和调整;
收尾过程组----对工作进行优先级排序,以便首先完成最具业务价值的工作。

五过程,10领域,49个过程(掌握)
2024-07-15T02:10:10.png


第七章 项目立项管理(重点)
项目建议与立项申请(第一阶段)——可行性研究(内容、初研(第二阶段)、细研(第三阶段))——项目评估与决策(第四阶段)。
项目立项管理——对拟规划和实施的项目技术上的先进性、适用性,经济上的合理性、效益性,实施上的可能性、
风险性以及社会价值的有效性、可持续性等进行全面科学的综合分析,为项目决策提供客观依据的一种研究活动。
包括4个阶段----项目建议与立项申请、初步可行性研究、详细可行性研究、评估与决策。
初步可行性研究和详细可行性研究可以依据项目的规模和繁简程度合二为一,但详细可行性研究不可缺少。
升级改造项目只做初步和详细研究,小项目一般只进行详细可行性研究。

2024-07-15T02:10:21.png

项目建议与立项申请(重点)
项目建议书(立项申请)——是项目建设单位(甲方,乙方是承建单位)向上级主管部门提交项目申请时所必须的文件,是提出的某一具体项目的建议文件,是对拟建项目提出的框架性的总体设想。
作用:
(1)是国家或上级主管部门选择项目的依据;
(2)也是可行性研究的依据;
(3)涉及利用外资的项目,在项目建议书批准后,方可开展对外工作。
核心内容:项目的必要性、项目的市场预测、产品方案或服务的市场预测、项目建设的比需的条件。

项目的可行性研究(重点)
可行性研究——从技术、经济、社会和人员等方面的条件和情况进行调查研究,对可能的技术方案进行论证,
以最终确定整个项目是否可行。信息系统项目开发的可行性包括:可能性、效益性和必要性,三者缺一不可。
技术可行性分析:(技术能力、开发风险、人力资源有效性、物资可用性)技术可行性分析往往决定了项目的方向。
经济可行性分析:支出分析—一次性(开发费、差旅费、购置费等)和非一次性(租金、工资、水电费、消耗品支出等);收益分析—直接(产品收入)和间接(成本降低);收益投资比和投资回收期分析、敏感性分析。
社会效益可行性分析:对组织内部(品牌、竞争力、 技术创新、人员提升、管理提升);对社会发展(公共、文化、环境、社会责任感)。
运行环境可行性分析:运行环境是制约信息系统发挥效益的关键。
其他方面的可行性分析:法律可行性、政策可行性等。

可行性研究—初步可行性研究(掌握)
初步可行性研究——在对市场或者客户情况进行调查后,进行大体收集材料,对投资项目的前景进行初步评估的过程,并决定是否继续进行详细可行性研究。(可和详细可行性研究合二为一) 。
经过初步可行性研究,可以形成初步可行性研究报告,该报告可以作为正式的文献供决策参考。
初步可行性研究的主要内容基本与详细可行性研究相同。不同的是占有的资源、研究细节方面有较大差异。

初研主要内容:需求与市场预测;设备与资源投入分析;空间布局;项目设计;项目进度安排;项目投资与成本估算。

辅助(功能)研究——包括项目的一个或几个方面(如试验室和中间工厂的实验、规模的经验性研究、设备选择研究等),但不是所有方面。
只能作为初步可行性研究、详细可行性研究的前提或辅助。 辅助研究的费用必须和项目可行性研究的费用一并考虑。
在初步可行性研究之前进行——一项基本投入是确定可行性的一个决定因素。
完成可行性研究之后进行——可研中要对项目的某一方面进行更详尽地鉴别。

可行性研究—详细可行性研究(重点)
详细可行性研究----在项目决策前对项目有关的技术、经济、法律、社会环境等各方面的条件和情况进行详尽的、系统的、全面的调查、研分析,对各种可能的技术方案进行详细的论证、比较,并对项目建设完成
后所可能产生的经济、社会效益进行预测和评价,最终提交的可行性研究报告将成为进行项目评估和决策的依据(不可省略,必须要有)。
详细可行性研究的方法有:投资估算法、增量净效益法(有无比较法)、经济评价法、市场预测法;
投资估算法——数量性估算(比例估算法)、研究性估算、预算性估算、投标估算;
增量净效益法(有无比较法)——将有项目时的成本(效益)与无项目时的成本(效益)进行比较,求得两者差额,即为增量成本(效益)。
详细可行性研究原则:科学性、客观性、公正性。

详细可行性研究内容:市场需求预测、经济评价及综合分析、部件和投入的选择供应、架构及技术方案、技术与设备选择、网络物理布局设计、投资(重点)、成本估算与资金筹措(资金来源等)。
可行性研究报告的开发总成本:经营成本和非经营成本。
经营成本:研发成本、行政管理费、销售与分销费用。
非经营成本:财务费用和折旧。
细研阶段:否定或初步肯定(±30%)、初步可行性研究(±20%)、详细可行性研究(±10%)、设计开发时(±5%)。

项目评估与决策—掌握
项目评估——在项目可行性研究的基础上,由第三方(国家、银行或有关机构)对拟建项目的各方面进行评价、分析和论证,进而判断其是否可行的一个评估过程。
项目评估是项目投资前期进行决策管理的重要环节,目的是审查项目可行性研究的可靠性、真实性和客观性;
为银行的贷款决策或行政主管部门的审批决策提供科学依据;
项目评估的最终成果是项目评估报告。

评估依据:项目建议书及审批文件、项目可行性研究报告、申请报告及初审意见、关键建设性意见和协议文件、必须的其他文件。
项目评估的7个步骤:
成立评估小组——开展调查研究——分析与评估、编写讨论修改评估报告——专家论证会——评估报告定稿发布。