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资源和管理控制方面有哪些不同。

论文题目要求的关注点：因此项目选材要尽量真实、独特、不被误判重
关注点1、项目背景介绍要求“真实经历，不得抄袭杜撰”。
关注点2、传统上，【通常会明确要求叙述“XX管理的过程”】，表明正文【叙述结构要围绕知识领域的子过程】去写。
关注点3、除基本过程叙述要求外，还会有1，2个论点要求，这是全文叙述的核心点，必须【全文切题叙述】。

论文题目示例一（单知识领域)—— 2024年5月
项目成本管理是为了项目在批准的预算内完成，而对成本进行规划、估算、预算、管理和控制的过程。请以“论信息系统项目的成本管理”为题进行论述：
1、概要叙述你参与管理过程的信息系统项目（项目背景、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。（选择的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成本管理的认识：
（1）根据你所描述的项目，写出项目成本基准形成过程。
（2）根据你所描述的项目，画出项目的S曲线图。
（3）结合你描述的项目，根据成本控制的目标，写出项目进展过程中你是如何进行成本控制的？

论文题目要求的关注点：
关注点1、【有可能不要求叙述“XX管理的过程”】，表明叙述框架可以自由灵活，不要固定结构以免被误判为模板文章。
关注点2、近几年，论点之一经常会要求叙述某个文件或计划或图表，如甘特图、WBS、需求跟踪矩阵、质量核对单、干系人管理计划、一份具体合同等。表明考核更注重理论在实际中应用。需要叙述+画图。

论文题目示例三（单知识领域)—— 2023年11月
请以“论信息系统项目工作绩效域”为题进行论述：
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、请结合你所叙述的信息系统项目，围绕以下要点论述你对信息系统项目工作绩效域的认识：
（1）结合项目情况，论述项目工作绩效域的绩效要点。
（2）请根据你所描述的项目，论述哪些绩效域更需要重点管理。

论文题目要求的关注点：
关注点1、非10大知识领域的出题并非首次，考纲明确的论文考核范围为【第5章~第20章】，意味着非10大知识领域的8大绩效域、12原则、立项管理、配置管理、项目集项目组合等高级管理、系统工程（软件工程、数据工程、安全工程等）都可能作为论文题目，再加上机考每次分多批，因此【不要寄希望于押题，更应全面准备，扎实基础】。
关注点2、非10大知识领域不存在子过程和ITTO，但可以【沿该领域的知识点主线脉络来叙述】，比如立项管理可沿4个阶段展开；配置管理可按6个活动分段；绩效域可选若干绩效要点来叙述等等。

论文题目示例四（双知识领域)—— 2019年5月
项目中的所有活动都是由人来完成的，因此在项目管理中，“人”的因素至关重要。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不容忽视。项目的人力资源管理就是有效地发挥每一个参与项目人员作用的过程。
请以“信息系统项目的人力资源管理和成本管理”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），以及该项目在人力资源方面的情况。
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人力资源管理和成本管理的认识。
（1）项目人力资源管理的基本过程和常用方法。
（2）项目人力资源管理中涉及到的成本管理问题和成本管理中涉及的人力资源管理问题。
（3）信息系统发生成本超支后，如何通过人力资源管理来进行改善。3、结合项目实际情况说明在该项目中你是如何进行人力资源管理和成本管理的（可叙述具体做法)，并总结你的心得体会。

论文的评分标准：
切合题意：内容切忌空洞的泛泛而谈，全文紧紧围绕论点叙述，论，是为证明论点而写，不是为了凑字数而写。
实践性：内容切忌大篇幅的书上理论背诵，尽量多的项目实践描述，并且是针对论点说实践，中间穿插部分理论说明，个人建议理论和实践侧重比为3：7左右。
选材真实：尽量选亲身经历的，正文叙述容易自然真实；选所属行业相对独特些的，降低判重几率；选尽量近年的，表明项目的先进性；选功能作用更多社会现实意义的，体现项目质量。
叙述框架灵活：题干有要求的，必须遵守（如要求写XX管理的过程、要求叙述某个文件或计划等）；没有要求的可以自由奔放些，可从每个论点角度、流程步骤角度、不同侧面角度、时间顺序角度等各种方式去分段叙述，不要死板地模板范文化框架而不去变通。
应用深度与水平：有独特的见解、中肯的体会，能顺滑地表达出理论联系实际的效果，及自身项目管理能力的体现。
表达能力：逻辑清晰、表达严谨、文字流畅、条理分明，育前后段落连接通畅没有断裂感，少错别字。
字数篇幅：现在基本要求是2000字以上，不能字数不满，但也无需太多，建议2500左右，最多3500字。

论文的整体结构（并非绝对强制，但也是基本的框架元素)
第一部分，正文背景部分，450~500字左右。
回答题目第一问的概述项目信息的所有内容，可以事先准备，预计2~3段。
第二部分，过渡部分，200~250字左右。
承接正文背景，启述正文详述，表明论点，必要时可简单概述，预计1段。
第三部分，正文详述部分，1500~1700字左右。
紧紧围绕论点并理论结合实际展开详述，叙述框架根据题意灵活分段，N段。
第四部分，收尾部分，250~300字左右。
总结论点叙述，表面项目成果，谈心得体会，收尾全文，1段。

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。算法参数一般人工设置。模型的参数一般由学习确定。参数对性能会有终身影响。拟合就是调整参数和模型，让结果无线接近真实值的过程。
偏差—方差窘境，一般而言，偏差与方差存在冲突，训练不足，徐吸气你和能力不强，偏差主导。训练加深，拟合能力增强，方差主导，训练充足后，学习器拟合能力很强，方差主导。
泛化性能是由学习算法的能力，数据的充分性，以及学习任务共同难度决定。
比较检验：机器学习恩物——>概率近似正确。测试性能不等于泛化性能，且随着测试数据集的变化而变化，很多机器学习算法本身有一定的随机性。
模型泛化性的评价，过拟合，即在训练数据上表现良好，在未知数据上表现差。欠拟合，即在训练数据和未知数据上表现都很差。解决方法是重新选数据，重新选模型。

模型的部署与维护
环境部署的选择，
生成VS开发，生产环境是软件持续运行的环境，是用户最终使用的环境。开发环境，是程序员用于编码、测试和优化代码的环境。
单机VS分布式，单机，是一台可以响应用户所有请求的机器。分布式，多台机器通过协调和通信实现共同的目标，计算机集群。

模型部署，机器模型的挑战
数据科学语言管理，python和R是最流行的语言，生产环境，转化为C++或者Java，使用容器化技术。涉及算力和GPU的分配，包括可移植性和可扩展性，批处理扩展到流处理的能力和弹性的管理。
线路图需要模型引擎、工具库、数据转换器、模型库等，需要支持常用编程脚本语言，及相关的工具库，比如docker，spark等。

模型的维护，在工业环境中开发和部署机器学习模型的流程。
流程，数据管理、模型学习、模型验证、模型部署。
模型学习包括模型选择和模型训练。
模型验证，要求：能够满足未知数据，泛化，合理处理，鲁棒性，满足需求。
步骤：
需求编码，定义：需求是测试活动的前提，性能的提升并不能转换为商业价值的增益。
形式验证：数学证明，误差范围的数值估计，现实中通过监督框架等实现。
以及测试的验证，搜集未验证的数据集。

模型部署包括：
模型集成，构建模型基础架构，实现模型，系统工程，机器学习，交叉。
模型监测，社区理解待监测数据，如何启动警报，预测偏差。
模型更新，始终反应数据的更新。

机器学习开发框架
什么事机器学习开发框架？
机器学习开发框架本质上是一种编程库或工具，目的是能够让开发人员更容易、更快速地构建机器学习模型。机器学习开发框架封装了大量的可重用代码，可以直接调用，目的是避免“重复造轮子’大幅降低开发人员的开发难度，提高开发效率。机器学习开发框架是涵盖用于分类，回归，聚类，异常检测和数据准备的各种学习方法，并且可以包含神经网络方法。

机器学习框架和深度学习框架的区别和联系。
广义上，机器学习框架包含了深度学习框架。本质上，机器学习框架涵盖分类、回归、聚类、异常检测和数据准备等各种学习方法。深度学习框架涵盖很多多隐藏层的深度神经网络拓扑。
机器学习框架：Caffe，CNTK，PyTorch，Keras，MXNet，TensorFlow。深度学习框架：深度学习框架专注于神经网络，常用的是PyTorch和TensorFlow。
TensorFlow：人数多，社区庞大，工作流程简单，api稳定，兼容性好，能在各类型机器上运行，google持续提供支持，快速迭代和完善。
PyTorch：支持GPU和动态神经网络，面向对象设计最优雅。简洁、高效、快速，追求最小的封装，符合人类思维，让用户聚焦自己的想法。

如何使用开源代码仓库
什么是开源？即源代码公开，任何人都可以获取源码，查看，修改。依托同行评审的社区生成，旨在分散、协作的方式开发。
协议包括：GPL、LGPL、BSD、MIT、APACHE、MPL。
好处：更多控制权、学习更容易、真正的安全。
发展情况：
地域性，美国66%，中国13%，其他21%。
维护者特性，企业、高校研究机构、组织和个人，各占三分之一。
时间特性，2007年后开原机器学习框架推动机器学习进步，深度学习框架开始繁荣。
编程语言特性，Python、C++、Java
框架特性，TensorFlow用户居多。

常见的开源代码托管平
Github，世界上最大的代码托管平台，面向开源和私有项目托管，5000万开发者，只支持git。
Gitlab，用于仓库管理系统的开源项目，适合团队对仓库的访问。
Bitbucket，采用Mercurial作为分布式版本控制系统，采用Mercurial作为分布式版本控制系统，无限制磁盘空间的使用。
Coding，面向开发者的云端开发平台，2014年，发布腾讯云为基础的国内第一款全云端IDE，CloudStudio。
Gitee，码云，代码托管协作开发平台，企业级代码托管服务。

对GPU和CPU的云计算的依赖
AI算力芯片
CPU，中央处理器，擅长复杂的逻辑运算和数据格式。
GPU，图形处理器，运行绘画运算，擅长图像运算和矩阵运算，加速人工智能的运算速度。
无法单独工作，必须由CPU进行控制和调用。
将在数据中心长足发展，表现为高运算性能迅速占领AI数据中心市场，浮点运算能力不断直线上升。
NPU，为物联网人工智能而设计，用于加速神经网络的运算，多用于视频和多媒体数据。
TPU，为机器学习定制的芯片，张量处理单元，30~80倍的效率提升。

AI与云计算服务
AI项目开发为何需要云计算服务？AI模型训练过程中，出现算力突增，云计算成本低，云平台提供一站式解决方案，创业公司的选择。
AI在云端和终端的算力依赖，云端AI算力提升，智能数据分析任务、训练模型任务、带宽要求不高的推理服务。
边缘+终端的AI算力，本地实时响应的推理服务、数据收集、环境感知、人机交互、不分推理决策控制任务。

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。

项目基础--项目的概念（掌握）
项目——是为创造独特的产品、服务或者成果而进行的临时性工作。（结果独特、并可验证，可以有型也可以无形）。可交付成果：deliverable。
临时性：具备明确的起点和终点，并不意味着项目的时间短。项目临时，但结果持久。
独特性：项目所创造的产品或服务在一定的程度或在某些方面与其他的产品和服务相比较，有明显的差别（独特性带来不确定性，带来的是风险）。某些可交付成果中可能存在重复的元素，但不会改变项目的独特性。
渐进明细性：指项目的成果性目标是逐步完成的。在项目渐进明细的过程中一定会有修改，产生相应的变更。因此，在项目执行过程中要对变更进行控制，以保证项目在各相关方同意下顺利开展。
项目驱动变更——从商业角度来看，项目旨在推动组织从一个状态（当前状态）转到另一个状态（将来状态），从而达成特定目标。
项目的商业价值——项目的成果能够为干系人带来的效益，效益可以是有形的、无形的或两者兼有之。
（1）有形效益：货币资产、股东权益、固定资产、工具、市场份额等。
（2）无形效益：商誉、品牌认知度、公共利益、战略联盟等。
项目管理——将知识、技能、工具和技术应用于项目活动，以满足项目的要求。
作用：管理制约因素（范围、进度、成本、资源、质量、风险，哪一个因素最重要由组织决定）。平衡制约因素对项目的影响（例如范围扩大可能会增加成本或延长进度）。
项目成功标准：除了应达到时间、成本、范围和质量等项目管理测量指标（记录在项目章程里）外，还应考虑项目目标的实现情况，这些项目目标可能包括：完成效益管理计划、达到财务测量指标、完成从“当前状态”转到“将来状态”，履行合同，干系人满意，达到组织战略和目标等等。
项目内外运行环境：事业环境因素和组织过程资产（重点）。
事业环境因素：大环境因素，客观存在。项目团队不能控制的，将对项目产生影响、限制或指令作用的各种条件。这些因素可能会提高或限制项目管理的灵活性，并可能对项目结果产生积极或消极的影响。
组织内部：组织文化，基础设施，办公软件，员工能力等。组织外部：市场条件、法律法规，商业数据库、行业标准、物理环境等。
组织过程资产：执行组织特有（遗留下来的）并使用的计划、过程、政策、程序和知识库，会影响对具体项目的管理。 在整个项目期间，项目团队成员可对组织过程资产进行必要的更新和增补。（可以参照、不参照、更新等）。
简称：安知数理过。过程资产：模板、框架、工具、方法等。治理文件：政策流程等。数据资产：数据库、工具、度量指标等。知识资产：专家的隐形知识等。安保和安全：对设备访问、数据保护、保密级别的程序等。
组织系统——组织结构（环境事业因素）（重点）
组织的全体成员在管理工作中进行分工协作，在职务范围、责任、权力方面形成的结构体系。
职能型（集中式）：兼职项目经理（联络员，权限0）；协调路径（职员A->职能经理A（权限100）->职能经理B（权限100）->职员B）；职业路径清晰、横向联系薄弱。
项目型：全职项目经理（权限100）；协调路径（项目经理A->职员A、B、C）；项目经理控制度高；重复配置、无家可归。（职能经理权限0）。

弱矩阵型（项目经理：20；职能经理：80）：兼职项目经理（协调员，职权<职能经理）；协调路径（职员A->职员B、C）。
平衡矩阵（项目经理：50；职能经理：50）：兼职项目经理（职权≈职能经理）；协调路径（项目经理->职员B、C）。
强矩阵型（项目经理：80；职能经理：20）：全职项目经理（职权>职能经理）；协调路径（项目经理A->职员B、C）；出现“全职项目经理的经理”。

其他类型（了解）
有机型或者简单型组织：有机组织是一个非常灵活的组织，能够很好地适应变化。它的结构是：工作专业化少，管理层次少，决策分散，监督不多。
多部门组织：一个中心，多个部门或分区，这些分区实行半自治，中心对其 下达财务指标。
虚拟型组织：-临时把人员召集起来，以利用特定的机遇，待目标完成后即行解散的一种临时组织。虚拟组织结构，也称为网络型组织。

组织系统--项目管理办公室PMO（掌握）
项目管理办公室（PMO）----是对与项目相关的治理过程进行标准化并促进资源、方法论、工具和技术共享的一个组织结构。PMO所支持和管理的项目不一定彼此关联。
PMO类型（支控指）：
支持型：支持，是顾问、项目资源库，对项目控制程度很低。
控制型：支持+要求服从，对项目控制程度中等。
指令型：直接管理和控制，项目经理由PMO指定并向其报告，对项目控制程度很高。
组织系统--PMO对项目经理支持的方式 ：案例分析可能出现（掌握）
（1）管理“共享资源”，识别和制定“最佳实践”和“标准”（管理功能）
（2）通过“项目审计”，监督对“标准”的遵守程度（监督功能）
（3）制定和管理政策、程序、模板，提供指导和培训（指导培训功能）
（4）协调“跨项目”的沟通（协调功能）

项目经理的角色：（掌握）
项目经理----由执行组织委派，领导团队实现项目目标的个人。专注项目目标的达成。无需承担项目中的每个角色，但应具备项目管理知识、技术知识、理解能力和相关经验。
职能经理：专注于对某个职能领域或业务部门的管理监。
运营经理：专注业务运营的高效性。

项目经理的影响力范围：项目类、组织类、行业类、专业学科类和跨领域类。（了解）
项目经理的能力：PMI三角。（掌握）
技术项目的管理技能：有效运用项目管理知识实现项目集或项目的预期成果的能力，有助于项目经理了解与项目相关的商业因素。
战略和商务管理技能：纵览组织概况并有效协商和执行有利于战略调整和创新的决策和行动的能力。
领导力技能：指导、激励和带领团队的能力(协商、抗压、沟通、解决问题、批判性思考、人际关系技能)。
项目经理的品质和技能（了解）：有远见、能运用批判性思维、关注重要事情、终身学习结果导向、正确沟通、积极乐观、管理关系的冲突。

领导力技能：政策和权力（掌握）

项目经理领导力与管理（掌握）：
领导力——通过讨论或辩论方式与他人合作，带领他们从一个位置到另一个位置。
管理——指挥一个人执行一系列已知的预期行为从一个位置到另一个位置。
项目经理必须同时采用领导力和管理这两种方式，针对不同的情况找到恰当的平衡点。

1，敏捷项目里，当前sprint不做变更，所以项目经理不能再当前迭代里做紧急更改。
2，项目正在被延迟，已经是一个问题。项目经理将谈判已经记录为风险，这是一个已识别并发生的风险。所以，整体来说应该是记录问题，并遵循风险应对计划的行动。
3，审计审查过程，问题是没有遵守政策流程和审批手续。应该按照质量管理计划的内容，审查流程，找到缺失的差距。
4，项目经理发现一个风险，做为风险管理的一部分，这是一个机会。应该告诉管理层，这是一个扩大市场份额和开发新产品的机会。
5，团队专注于sprint目标，解决障碍应该是项目经理的事，PMO实施的框架跟当前敏捷交付不见人，说明这是一个障碍，理论上不应该直接让团队进入，应该先审查框架，再决定是否让团队参与沟通。
6，关键干系人无法参加会议，如果重新安排会议的话，即使这次可以参加，那后续仍然无法参加，应该是分享会议议程，期望达成目标。
7，客户的标准，指的是验收的标准，就是确认范围。收集需求——定义范围——范围说明书有可交付成果的定义及验收标准，所以开始的时候要记录和定义【需求】。目标在项目章程里，不在标准里。
8，规划质量是描述项目将如何证明符合质量要求和(或)标准的过程。要确保在执行阶段符合质量要求那么需要做好规划质量管理。持续调查可交付成果的质量，这是控制质量查结果。质量不是靠检查出来的。每个阶段都能做五大过程组，所以实施阶段也可以做规划质量管理。
9，在xxx之前，不能开始一项活动，这xxx就是前提，属于强制依赖关系。而快速跟进是选择性依赖关系。所以这种制约因素，可以记录在假设日志里，包含前后的相关性。
10，项目目标是产品上市，涉及到这个项目的问题，会涉及项目目标不能达成，可能会失败，此时可以考虑上报项目发起人。
11，技术问题阻止交付，人员也要离职；参考资源管理计划只能解决人的问题，无法解决技术问题。所以整体来说审查整体的制约因素，评估计划的发布，再决定如何解决问题。
12，最常见的问题是什么工件将取代项目时间表。项目经理应该如何回应？待办事项列表跟需求范围有关系，跟进度没直接的关系。所以项目经理应查看冲刺计划和产品路线图。冲刺计划涵盖了时间进度。
13，“一些资源与由各自的业务单元发起的计划之外的其他项目共享”，资源和其他项目共享，就该先咨询其他项目的项目经理。
14，算法，属于技术问题，跟用户故事无关，算法属于执行层面由团队自组织决定。《创建一个新条目来确定合适的算法》属于一个spike，在某个迭代里做个刺探来决定。敏捷主管无法决定技术问题。
15，“难以访问”跟项目存储库是不是新不新没关系，最多是访问的版本不是新的。应该做好团队交叉培训知识共享。
16，“确保团队和项目目标一致”，是为了搞清楚目标是什么，而不是为了修改目标，目标记录在项目章程里。没必要讨论，我们不是为了修改。只要查看项目章程就可以满足题目。
17，“团队成员希望提高自己的引导技能”，说明团队成员希望自己去主持并引导会议，不涉及团队的技能不足，只是说没机会引导，不涉及培训。项目经理应该给团队机会。
18，冲突是分为积极和消极的，成功的冲突管理是可以提高生产力。pmpbok里没涉及结构性或者人际冲突。
19，沟通和协作，不涉及技能不足，不涉及团队的培训和知识转移。沟通有差距应该解决组织会议相互了解。
20，敏捷项目里，谁的需求是最重要的？客户。
21，在试图确定一个项目的领导风格时，应该先考虑组织文化。
22，“发起人一直要求最重要的项目里程碑的具体日期”，考察项目章程包括哪些内容，范围，需求，目标，成功标准和退出标准，审批计划和干系人，整体里程碑和进度计划，里程碑是一个时间点已经包括。
23，一个风险一旦上报之后，项目经理只能看高级别领导的决策，无法做更多的行动。