矩阵管理

这些商业分析模型被全球著名咨询公司广泛应用于很多行业的战略制定。无论是国内还是国际，无论是提供产品还是提供服务。是企业必备的战略制定参考手册。 1. 波特五种竞争力分析模型 被广泛应用于很多行业的战略制定 波特的五种竞争力分析模型被广泛应用于很多行业的战略制定。波特认为在任何行业中，无论是国内还是国际，无论是提供产品还是提供服务，竞争的规则都包括在五种竞争力量内。 这五种竞争力就是 企业间的竞争、潜在新竞争者的进入、潜在替代品的开发、供应商的议价能力、购买者的议价能力。 这五种竞争力量决定了企业的盈利能力和水平。 竞争对手 企业间的竞争是五种力量中最主要的一种。只有那些比竞争对手的战略更具优势的战略才可能获得成功。为此，公司必须在市场、价格、质量、产量、功能、服务、研发等方面建立自己的核心竞争优势。 影响行业内企业竞争的因素有：产业增加、固定(存储)成本/附加价值周期性生产过剩、产品差异、商标专有、转换成本、集中与平衡、信息复杂性、竞争者的多样性、公司的风险、退出壁垒等。 新进入者 企业必须对新的市场进入者保持足够的警惕，他们的存在将使企业做出相应的反应，而这样又不可避免地需要公司投入相应的资源。 影响潜在新竞争者进入的因素有：经济规模、专卖产品的差别、商标专有、资本需求、分销渠道、绝对成本优势、政府政策、行业内企业的预期反击等。 购买者 当用户分布集中、规模较大或大批量购货时

引言：公司组织架构较大，不同的子公司下面的人员需要不同的人员审核，所以引进了矩阵进行人员配置 常见的人员配置有4种： 1：通过组织架构进行配置 2：直接配置人员 3：通过角色进行配置 4：通过矩阵进行配置（泛微Ecology8及以上才有） 具体的配置视流程情况而定 最佳配置的话是1和4，这样人资管理员或者矩阵管理员可以根据业务的需要实时进行更新配置，而不用通过企业内部流程流转到IT再进行维护人员。 以下我将用一个案例来说明下矩阵配置 案例：公司内提报加班流程，不同的人员需要不同地点的人事管理员进行审批（由于同个部门内的人员可能不属于同个地点范畴，所以无法通过组织架构来完成这个配置） 另外因为其他还有多个流程会用到人事管理员（根据人员地点），所以通过矩阵能最好的发挥出配置效果。 =================================================================== 以下，正式配置 step1: 进入建模引擎，首先新建一个模块 此模块的主要作用是为了让人资管理员前端维护相应的各个工作地点，然后加好各个表单布局 step2： 接下来就是添加创建权限以及默认共享的维护者了（一般人资管理员以及IT管理员） step3: 创建查询页面，然后使用系统管理员登陆（ 非系统管理员账号找不到此页面地址 ） 找到查询菜单地址，放入前端菜单。 step4:

1.复数 6+5i ans = 6.0000 + 5.0000i >> 6+5j ans = 6.0000 + 5.0000i 2.Format 数值数据输出格式 >> format long >> 50/3 ans = 16.666666666666668 >> format（默认short） >> 50/3 ans = 16.6667 只影响输出格式，不影响计算和存储 3.常用数学函数 调用：函数名（函数自变量的值） >> A=[4,2;3,6] A = 4 2 3 6 >> B=exp(A)（自然指数） B = 54.5982 7.3891 20.0855 403.4288 三角函数： >> sin(pi/2)（弧度） ans = 1 >> sind(90)（角度加d） ans = 1 abs函数： 实数的绝对值，复数的模，字符串的ASCII码值 >> abs(-4) ans = 4 >> abs(3+4i) ans = 5 >> abs('a') ans = 97 取整： fix（舍去小数）,floor（向下取整）,ceil（向上取整）,round(四舍五入) >> round(4.7) ans = 5 >> floor(3.6) ans = 3 >> fix(-3.2) ans = -3 >> ceil(-3.8) ans = -3 求余： rem,mod 应用举例：

实验设计 统计学是线索和思路。在查阅大量文献，心中有因果的情况下，再用统计学验证。 随机误差是动物本身存在差异。系统误差（ treatment ）其次，自然环境如温度、 湿度、光照、通风等存在差异 第三，饲养管理条件存在差异，第四，试验人员操作技术上存在差异 完全实验是将矩阵填满才可以得到结论，而不将矩阵填满就可以得到结论是不完全实验，比如正交试验。 因素选择：在某个区间内，过高过低没意义，差异适当，差异过小没意义，可以使用等差法，等比法（浓度相关）或随机法来设定因素。 Fisher 实验设计三大原则： 1. 重复，即当 n 变大时，标准误差变小标准误的表达如下： 2. 随机化 3. 局部控制（为了降低 SE ） + 假设检验 来源： https://www.cnblogs.com/yuanjingnan/p/11835847.html

名称 出处 作用 核查表 控制质量工具 合理排列各种事项，以便有效收集关于潜在质量问题的有用数据 核对单 制定PM计划工具 帮助检查PM计划是否包含全部信息 核对单 控制质量工具 结构化方式管理质量控制活动 核对单 识别风险工具 有助于识别风险，但是不能使用核对单来识别所有风险 权利利益方格/权力影响方格/作用影响方格 识别相关方工具 基于相关方的职权级别（权力），对项目成果的关心程度（利益）、对项目成果的影响力（影响）形成的相关方分析方格。 需求跟踪矩阵 收集需求的输出 需求跟踪矩阵将每个需求与业务目标或项目目标联系起来。有助于确保每个需求都具有商业价值。有助于确保需求文件中被批准的每项需求在项目结束时都能交付。需求跟踪矩阵还为项目范围变更提供了框架。 责任分配矩阵（RAM）/执行、负责、咨询、和知情矩阵（RACI） 规划资源管理工具 用于说明工作包或活动与项目成员之间的关系。RACI矩阵对明确划分角色和职责特别有用。 SWOT分析 识别风险 对项目的优势、劣势、机会、威胁进行逐个检查。在识别风险时它会将内部产生的风险包含在内，从而拓宽识别风险的范围。 概率影响矩阵 定性风险分析工具 概率和影响矩阵是把每个风险发生的概率和一旦发生对项目目标的影响映射起来的表格。便于把单个项目风险划分成不同的优先级组别 以上总结参考PMPBOK（第六版） 文章来源: PMP（第六版

最近写一个有关视频的项目，需要用到GLSurfaceView，先自己琢磨琢磨。 在Android平台上使用OpenGL ES主要有两种方式：NDK和SDK。通过NativeActivity，应用在native（c/c++）中管理整个activity的声明周期，以及绘制过程。由于爱native代码中，可以访问OpenGL ES的代码，因此，可以认为NativeActivity提供了一个OpenGL ES的运行环境。同时，Android提供了两个可以运行在OpenGL ES的类：GLSurfaceView和TextureView。由于真正的OpenGL ES仍然运行在native在层，因此在performance上，使用SDK并不比NDK差。而避免了JNI,客观上对于APP开发者来说使用SDK要比NDK容易。而GLSurfaceView和GLSurfaceView.Renderer是使用OpenGL ES的基础： GLSurfaceView： 这个是我们使用OpenGL ES来进行绘制和操作的view，它和SurfaceView在功能上相似。 GLSurfaceView.Renderer： 这个接口定义了在GLSurfaceView上绘制的方法，我们必须将它实例化attach到GLSurfaceView。 onSurfaceCreated（）

2019年10月份开始，由于大四已经没有课，只是每天自习难免会无聊厌烦，希望将学到的知识用于实践，并提前体验一下工作，我们便开始投简历寻找与本专业相关的实习。丰富履历的同时也为毕业旅行储蓄一些资金~ 首先来说小橙子 面试公司：某财富公司，负责资产管理和财富管理； 面试岗位：数据分析师，负责股票期权期货等金融产品的走势分析，定价模型分析等 岗位要求：熟悉数值分析算法，面向对象编程语言，熟练的编程能力，算法创新能力 面试过程：面试+笔试一起，共计半小时左右： 1.针对简历询问其中面试官感兴趣的地方，比如经济管理双学位，运筹学课程学习情况，编程课和算法课的学习情况 2.在白纸上随机出几道题进行口头解答 第一道：算法题 问题：有一个m*n的矩阵，每一行的后一个元素都大于前一个元素，每一列的下面一个元素都大于上面一个元素，给定一个数c，设计一个算法，确定c是否存在于这个矩阵中。 比较好的方法： step1：首先与矩阵左下角的数x m1 进行比较： 如果c==x m1 ，则c存在于此矩阵中；如果c>x m1 ,则删去第一列，得到一个m*(n-1)的矩阵，进行step2；如果c<x m1 ,则删去最后一列，得到一个(m-1)*n的矩阵，进行step2。 step2：在得到的新矩阵中重复step1，知道确认c存在于此矩阵中。 第二道：最小二乘和PCA分别的原理与区别和联系 第三道：梯度下降法的应用

　　 注意：论文中，很多的地方出现baseline,可以理解为参照物的意思，但是在论文中，我们还是直接将它称之为基线， 也 就是对照物，参照物. 这片论文中，作者没有去做实际的实验，但是却做了一件很有意义的事，他收罗了近些年所有推荐系统中涉及到深度学习的文章 ，并将这些文章进行分类，逐一分析，然后最后给出了一个推荐系统以后的发展方向的预估. 那么通过这篇论文，我们可以较为 系统的掌握这些年，在推荐系统方面，深度学习都有那些好玩的应用，有哪些新奇的方法,这片论文起到了一个简报的作用，下面是论文的一个粗糙翻译： 概述： 　　随着互联网上数字信息量的急剧增加，在线商店、在线音乐、视频和图像库、搜索引擎和推荐系统已经成为在短时间内查找 相关信息的最方便的方式。近年来，深度学习在语音识别、图像处理和自然语言处理等领域得到了广泛的关注。同时，最近的一 些研究也显示了深度学习在推荐系统和信息检索领域的应用。近年来，深度学习在语音识别、图像处理和自然语言处理等领域得 到了广泛的关注。同时，最近的一些研究也显示了深度学习在推荐系统和信息检索领域的一些应用。在这个简短的回顾中，我们 涵盖了最近在使用各种不同的深度学习技术在推荐领域取得的进展。我们将综述分为三个部分：协作系统、基于内容的系统和混 合系统。本文还讨论了深度学习集成推荐系统在多个应用领域中的贡献

CH1: clion的使用 断点设置之后，逐行执行 (Step Into) ( F7 )，逐函数执行 (Step Over) ( F8 )，注意0和O在clion中的显示区别，0是中间有个点的，O看起来像0，中间没有原点 Run->Edit Configurations-> Program arugements可直接加入程序所需的文件等等，便于debug的使用 如ch5的图片 Run->Edit Configurations-> Working Directory 可直接加入fstream所需的工作目录，便于debug或者run的使用 如ch4的轨迹文件 TODO 类似与带书签属性的注释 CH2: 文件夹的命名和作用: library是库文件 include是头文件 src是源文件(该源文件不一定是可执行程序的所需的源文件，也可以是生成所需的内部库的源文件) CMakeLists.txt: library是库的意思 include是包含 directory是目录 include_directories() 添加目录 一般find_package()下紧挨着include_directories() 找到外部库之后添加目录到工程中 find_package(OpenCV 3 REQUIRED) include_directories(${OpenCV_INCLUDE_DIRS})

    在指数编制方法中，我们会经常提到加权平均法（这个在后面会介绍），这里面有一个重要的概念就是权重。权重的设定在指数编制过程中是非常重要的一步，适当的权重设定是指数客观准确反映目标变化趋势的一个关键要素。所以在设定权重的时候一定要选择合适的方法。     权重是一个相对的概念，是针对某一指标而言。某一指标的权重是指该指标在整体评价中的相对重要程度。权重表示在评价过程中，是被评价对象的不同侧面的重要程度的定量分配，对各评价因子在总体评价中的作用进行区别对待。事实上，没有重点的评价就不算是客观的评价。     在统计理论和实践中，权重是表明各个评价指标（或者评价项目）重要性的权数，表示各个评价指标在总体中所起的不同作用。权重有不同的种类，各种类别的权重有着不同的数学特点和经济含义，一般有以下几种权重。     按照权重的表现形式的不同，可分为绝对数权重和相对数权重。相对数权重也称比重权数，能更加直观地反映权重在评价中的作用。     按照权重的形成方式划分，可分为人工权重和自然权重。自然权重是由于变换统计资料的表现形式和统计指标的合成方式而得到的权重，也称为客观权重。人工权重是根据研究目的和评价指标的内涵状况，主观地分析、判断来确定的反映各个指标重要程度的权数，也称为主观权重。     按照权重形成的数量特点的不同划分，可分为定性赋权和定量赋权。如果在统计综合评价时