“X.” 发布的文章

本期按顺序重点练习：范围、沟通、干系人绩效域、质量、团队绩效域、整合。论文题目示例一（单知识领域)—— 2023年11月项目中包括人力资源和非人力资源，信息系统项目管理中，人力资源比非人力资源更加重要。如何充分发挥人的作用，使团队成员达到更好的绩效，对于项目管理者来说是不能忽视的任务。请以“论信息系统项目的资源管理”为题，分别从以下三个方面进行论述：1、概要叙述你参与管理过的信息系统项目（项目的背景、项目规模、发起单位、目的、项目内容、组织结构、项目周期、交付的成果等)，并说明你在其中承担的工作（项目背景要求本人真实经历，不得抄袭及杜撰)。2、结合项目管理实际情况并围绕以下要点论述你对信息系统项目资源管理的认识：（1）项目资源管理的基本过程。（2）资源管理过程中实物资源和人力资源在获取...

腾讯云AI基础建设包括，AI基础能力，算法+工程。AI基础平台，机器学习平台 TI-ONE，数据标注平台TI-DATATRUTH。AI应用平台，应用服务平台TI-Matrix。AI行业应用：金融、工业、零售、教育、泛互。腾讯云AI基础算法能力人脸人体基本能力、车辆技术布局、文字识别技术、产业场景等，细化包括人脸检测、五官定位、人脸识别、人脸验证、RelD技术、车辆搜索、多目标检测、车辆属性识别、货架商品等，以及图像视频理解编辑增强、车辆AI研究、工业视觉、OCR、语音识别等。人工智能的未来发展趋势1、自动机器学习的自动化程度和可解释性逐步提升，机器学习每个环节都自动设计过程，推动新一代AutoML平台的建设，大众化，AutoML，全称自动化机器学习（Automated Machine ...

Deadline是第一生产力。

人工智能项目开发验收与维护模型性能评估与测试调优分类任务的评价指标评价指标：使用不同的性能度量，往往会产生不同的评判结果，评价指标的选择，影响性能、算法选择、特征重要性的评判的结果。模型的泛化性：机器学习的目标是从训练领域的训练数据到任意其他数据上的性能良好，可以在未来对模型没有见过的数据进行预测，可能会产生过拟合和欠拟合的情况。准确率：正确分类的样本数占总样本数的比例，但是对于不均衡数据而言，模型会调入“高准确率陷阱”，为避免该陷阱，引入混淆矩阵。混淆矩阵：把样本的真实分类值作为一个维度，把预测分类值作为一个维度。精准率和召回率，精确率取决于模型准不准，召回率看数据全不全，不可兼得，要取舍。模型调优，过拟合与欠拟合。调参过程类似，先找出若干模型，然后基于某种模型进行评估。算法参数一般...

机器学习开发任务实例特征工程与机器学习——搭建一个机器学习模型，人工设计特征：实际工作中，特征比模型本身更重要。分三步：预处理，去除噪音，例如文本中的停用词；特征提取，从原始数据中提取一些有效的特征。例如图像分类中，提取边缘、尺度不变特征变换特征等；特征转换，对特征进行一定的加工，例如升维和降维。训练模型和测试模型：训练过程和测试过程完全独立。开发实例：明确任务背景和目标：任务背景：房地产中介在交易中，给房屋进行一个合理报价，让房东和买家进行参考。任务目标：根据已有的交易数据，训练模型，预测房屋的价格。任务过程解析：制作数据集，数据准备、数据预处理、数据集划分；特征工程，数据理解、特征分析、特征构造；模型训练，模型优化；模型评测，输出测试集指标、判断模型可用性。制作数据集：数据准备：字...

人工智能开发目标发现与明确问题：目标：AI的目标是将隐藏在一大批数据背后的信息集中处理并提炼，从而总结出研究对象的内在规律。技术角度：性能能达到预期吗？需要多少数据？能够获取到吗？需要多久？业务角度：要解决什么问题，商业目的是什么？数据分析：通过统计、机器学习、深度学习方法，对大量的数据进行计算、汇总和整理，最大化开发数据价值，发挥数据的作用。开发周期内容：收集数据：数据源和数据格式模型探索：测试、部署、监控模型优化数据准备：重要性：数据采集和数据清洗占到人工智能项目一半以上的工作，训练的数据量越大，模型越准确。建立数据标准、数据工程、专家解决方案没来减少数据准备（79%）的时间。数据限制：时间成本、算力和数据量。业务流程：数据采集：观测数据、人工收集、问卷调查、线上数据库数据清洗：有...