项目管理  

项目管理之项目规划篇

[TOC] ## 风险评估 ### 公式 影响*可能性 = 实际风险 ### 工具 - 风险矩阵 - 风险TAME工具 - T 转移风险 - A 接受风险 - M 降低风险 - E 清除风险 - 风险管理规划 ## 排期预估 - 乐观时间 - 最可能时间 - 悲观时间 - 预计的时间=(乐观时间+4*最可能时间+悲观时间)/6 ## 关键词 - 目标拆解 - 项目日程表 - 里程碑 - 关键路径 - 项目从开始到结束所需要的最长路径 - 决定项目时长的一系列工作(PMBOK) - 沟通计划 ## 总结 - 评估风险 - 风险矩阵 - 制订风险管理策略 - TAME风险 - 风险管理方案 - 制订项目日程表 - 思维导图 - 线性列表 - 便利贴 - 制订项目沟通计划 - 项目沟通计划表

Read more
多目标优化  

NSGA3:NSGA - III(Non - dominated Sorting Genetic Algorithm III)多目标优化算法

1. **概述** - NSGA - III(Non - dominated Sorting Genetic Algorithm III)是一种多目标优化算法,它是NSGA - II算法的扩展。在多目标优化问题中,通常需要同时优化多个相互冲突的目标函数。例如,在设计汽车时,可能既要考虑汽车的速度(性能目标),又要考虑燃油消耗(经济目标),这两个目标很难同时达到最优,NSGA - III算法就用于解决这类复杂的多目标优化问题。 2. **基本原理** - **遗传算法基础**:NSGA - III基于遗传算法的框架,包括种群初始化、交叉、变异和选择等操作。遗传算法通过模拟自然界生物进化过程来寻找最优解。在初始化阶段,会随机生成一个初始种群,这个种群中的每个个体代表一个可能的解。 - **非支配排序**:这是NSGA - III的核心操作之一。在多目标优化中,一个解如果在所有目标上都不劣于另一个解,且至少在一个目标上优于另一个解,那么这个解就称为非支配解。NSGA - III会对种群中的所有个体进行非支配排序,将个体划分为不同的非支配层。例如,在双目标优化问题

Read more
持续学习  

GDumb: A Simple Approach that Questions Our Progress in Continual Learning

GDumb(GDumb: A Simple Approach that Questions Our Progress in Continual Learning)是一种持续学习(Continual Learning)的方法。 传统的持续学习方法通常试图在学习新任务时,尽可能减少对旧知识的遗忘。然而,GDumb采取了一种截然不同的策略,它主张在学习新任务时,先暂时“遗忘”旧知识,而是通过重新学习来恢复对旧任务的记忆。 具体来说,GDumb的工作流程如下: 1. 在训练阶段,对于每个新任务,GDumb只使用当前任务的数据进行训练,而不考虑之前的任务。 2. 在测试阶段,当需要对某个旧任务进行测试时,GDumb会重新使用该任务的原始数据进行训练,从而恢复对该任务的记忆。 GDumb的优点在于它的简单性和高效性。与其他复杂的持续学习方法相比,GDumb不需要进行繁琐的参数调整和优化,同时能够在一定程度上避免对旧知识的遗忘。 然而,GDumb也存在一些局限性,例如它需要在测试阶段重新训练模型,这可能会导致计算成本的增加。此外,GDumb对于任务之间的相关性和顺序等因素的考虑较少,可能会在

Read more
项目管理  

MARS模型

MARS模型是用于解释个体行为结果的一种模型,它包括四个因素:动机(Motivation)、能力(Ability)、角色认知(Role Perception)和环境因素(Situational Factors)。 1. **动机**:指个体内在的驱动力,促使他们采取行动以实现目标。动机可以包括内在动机(如对工作的兴趣、成就感等)和外在动机(如奖励、惩罚等)。 2. **能力**:个体具备的完成任务所需的技能、知识和能力。这包括先天的能力和通过学习、培训获得的能力。 3. **角色认知**:个体对自己在组织中角色的理解和认知,包括职责、权限和期望。清晰的角色认知有助于个体更好地履行职责。 4. **环境因素**:包括组织内部和外部的环境因素,如资源、政策、文化、市场条件等。这些因素会影响个体的行为和绩效。 MARS模型认为,个体的行为结果是这四个因素相互作用的结果。当个体具有足够的动机、能力和清晰的角色认知,并且环境因素支持时,他们更有可能取得良好的行为结果。 例如,如果一个员工有强烈的动机想要完成一项任务,并且具备完成该任务的能力,同时清楚自己在团队中的角色和职责,而组织也提供了

Read more
服务器  

https证书免费申请、安装和配置

原文发表于:2020-11-07 [TOC] ## 简介 很多服务需要使用https来作为安全请求,本文就来介绍如何免费申请https证书以及证书安装、https配置。 ## 开发环境 nginx + flask ## 免费申请 我用的是阿里云服务器,直接点击控制台的*安全(云盾)* > *CA证书服务*,然后填写相关信息,免费申请就可以了,很简单。 SSL证书 -> 个人测试证书 -> 申请 ## 安装证书 申请完后有一个key文件和poe文件。在/etc/nginx目录下创建一个cert文件夹,然后把这两个文件放进去。 ## https配置 查看/etc/nginx/nginx.conf 在server下配置http和https共存,<font color=red>这里只列出重要信息。</font> server { listen 80 default_server; listen 443 ssl; server_name localhost,*.fashici.com;

Read more
数据集  

MeteoNet气象数据集

MeteoNet 是由法国国家气象服务 METEO FRANCE 创建的开放气象数据集。它旨在为数据科学家提供一个干净且易于使用的数据集,以便他们可以在天气数据上进行实践和研究。MeteoNet 数据集涵盖了2016年至2018年三年的数据,覆盖法国西北部和东南部两个地理区域。数据集包括地面站观测、卫星图像、雷达观测、天气预报模型以及陆地-海洋和地形掩模。 MeteoNet 的目标是提供一个完整且干净的数据集,这对于数据科学家来说是非常珍贵和难得的。通过向研究社区开放这个数据集,METEO FRANCE 希望全球的人们能够找到新的方法,利用数据科学为气象学带来价值。 METEO FRANCE 作为法国的国家气象服务,其使命是确保法国领土上的生命和财产的气象安全,并保持气候记忆以及预测气候变化以指导公共政策。METEO FRANCE 在国际上有着强大的影响力,是世界气象组织法国代表,也是 EUMETSAT 的主要成员,负责采购 Meteosat 天气卫星,并是 ECMWF 的关键国家气象服务成员之一,托管着广泛使用的 IFS 数值天气预报模型的两个主要中心之一。 MeteoNet

Read more
机器视觉  

Spacetime latent patches

"Spacetime latent patches" 是一种在计算机视觉和机器学习领域中使用的技术,特别适用于视频处理和时空建模任务。这一概念主要涉及将视频序列中的时空信息编码成潜在表示(latent representations),以便于后续的分析和处理。下面详细介绍这一技术及其应用场景: ### 概念解释 1. **时空信息**:在视频处理中,每一帧不仅包含空间信息(即图像中的像素分布),还包含了时间信息(即帧与帧之间的变化)。时空信息的结合可以帮助模型更好地理解动态场景。 2. **潜在表示**:潜在表示是一种将原始数据转换成更高层次抽象表示的方法。在深度学习中,通常通过编码器(encoder)将输入数据映射到一个低维的潜在空间,然后再通过解码器(decoder)将潜在表示还原回原始数据空间。 3. **时空潜在补丁**:时空潜在补丁是指将视频中的局部时空区域(通常是连续几帧中的某个区域)编码成一个潜在向量。这些潜在向丁可以捕捉该区域在时间和空间上的变化特征。 ### 技术实现 1. **编码器-解码器结构**: - **编码器**:将输入的视频片段(例如,连

Read more
质量保障  

MTTR(Mean Time To Repair)和MTTD(Mean Time To Detect)

MTTR(Mean Time To Repair)即平均修复时间,是指可修复产品的平均修复时间,就是从出现故障到修复完成所用的平均时间。计算方式是故障修复时间总和除以故障次数。MTTR 越短,代表产品或系统的可维护性越好,能更快地从故障状态恢复到正常运行状态。 MTTD(Mean Time To Detect)即平均检测时间,是指从故障发生到被检测出的平均时间。它反映了系统对故障的监测能力和响应速度。MTTD 越短,意味着能够更快地发现故障,以便及时采取措施进行处理,减少故障对业务的影响。 在系统可靠性和可用性管理中,降低 MTTR 和 MTTD 是重要的目标,可以通过优化监测系统、提高维护人员技能、建立完善的故障处理流程等方式来实现。

Read more
时间序列分析  

TimesNet:一个用于时间序列分析的通用基础模型

TimesNet是一个用于时间序列分析的通用基础模型,它在多个时间序列分析任务中表现出色,包括短期和长期预测、插补、分类和异常检测。以下是关于TimesNet的一些关键信息: 1. **模型架构**:TimesNet基于对时间序列多周期性的观察,将复杂的时间变化分解为多个周期内和周期间变化。它通过将一维时间序列转换为基于多个周期的二维张量,利用2D卷积网络的优势来分析时间序列数据。 2. **核心技术**:TimesNet的核心是TimesBlock,它能够自适应地发现多周期性,并从变换后的2D张量中提取复杂的时间变化。TimesBlock使用了一个参数高效的Inception块来实现这一点。 3. **任务通用性**:TimesNet作为一个通用的基础模型,能够在多种时间序列分析任务中表现出色。它的设计能够有效利用计算机视觉领域中已有的2D卷积网络的优势,将其引入时间序列分析。 4. **性能表现**:TimesNet在五个主流时间序列分析任务中均取得了一致的最先进的结果,包括短期和长期预测、插补、分类和异常检测。 5. **代码和资源**:Time

Read more
hadoop  

HDFS 记录日志

``` java import java.io._ import java.net.URI import org.apache.hadoop.conf.Configuration import org.apache.hadoop.fs.{FileSystem, Path} import org.apache.hadoop.io.IOUtils; object HdfsFileOperate { def Test(args: Array[String]) { appendHdfs("hdfs://somepath", "test") } /** * HDFS文件追加 * @param hdfs_path * @param context */ def appendHdfs(hdfs_path:String, context: String): Unit = { val conf:Configuration = new Configuration(); conf.setBoolean("dfs.support.append

Read more
GO  

Go 空接口 interface{}

接口是两件事物:它是一组方法,但它也是一种类型。 interface{} 类型是没有方法的接口。由于没有 implements 关键字,所有类型都至少实现零个方法,并且自动满足接口,所有类型都满足空接口。 因此,空接口作为参数的方法可以接受任何类型。Go 将继续转换为接口类型以满足这个函数。

Read more