与bim技术相比，传统方法有什么缺点 工程质量缺陷

与bim技术相比，传统方法有什么缺点

先说一个BIM的应用点，就是知道施工，拿到具体的模型应用到我们施工中，而我们传统方法其实更多的按照图纸施工，但是现阶段大部分图纸出图不会考虑其他专业，一些复杂节点或者是管线综合只能靠我们现场老法师或者是去猜，这样不仅进度有影响，成本也会大大增加，这是一方面，还有一方面现在的传统方法许多方面我们都是点对点的去沟通交流，但是BIM技术我们是把所有的参建方放在了一个平台上，共同用这个模型，通过这个模型，包括一些资料，或者是协同共享都可以在这个平台上完成，不用在想以前那样签个单都要找好多人，我们现在可以直接在平台上管理，即使不见面，工作照样完成

工程质量缺陷

缺陷责任期一般为1年，最长不超过2年，由发、承包双方在合同中约定。
《建设工程质量保证金管理暂行办法》第二条　本办法所称建设工程质量保证金（以下简称保证金）是指发包人与承包人在建设工程承包合同中约定，从应付的工程款中预留，用以保证承包人在缺陷责任期内对建设工程出现的缺陷进行维修的资金。
缺陷是指建设工程质量不符合工程建设强制性标准、设计文件，以及承包合同的约定。
缺陷责任期一般为1年，最长不超过2年，由发、承包双方在合同中约定。
扩展资料：
缺陷责任期与保修期虽近似，实不同。
第一，缺陷责任期与保修期的期限不同：
缺陷责任期 一般为6个月、12个月、18个月或者是24个月，但是最长不得超过24个月。工程保修期视工程项目的不同部位，保修期限不同。而工程项目不同部位的保修期限是不同的。
工程项目的法定保修期限，见于国务院颁布的《建筑工程质量管理条例》第四十条规定：“在正常使用条件下，建设工程的最低保修期限为：
(一)基础设施工程、房屋建筑的地基基础工程和主体结构工程，为设计文件规定的该工程的合理使用年限
(二)屋面防水工程、有防水要求的卫生间、房间和外墙面的防渗漏，为5年
(三)供热与供冷系统，为2个采暖期、供冷期
(四)电气管线、给排水管道、设备安装和装修工程，为2年。
其它项目的保修期限由发包方与承包方约定。建设工程的保修期，自竣工验收合格之日起计算”。
第二、当事人对于缺陷责任期和保修期进行约定的自由程度不同： 

缺陷责任期的期限完全由当事人自主约定，只要最长不超过24个月即可。而工程项目主要部位的保修期限主要由法律直接规定，这叫做法定保修期限。当事人约定的保修期限不得低于法定保修期限，否则，约定无效，仍然应当按照法定保修期限执行。
第三、质量保证金在缺陷责任期限届满之时返还
缺陷责任期的期限，也是发包人扣留质量保证金的期限，缺陷责任期届满，发包人就应当返还质量保证金，否则，应当承担违约责任。而质量保证金的返还与工程保修期没有关系。过去没有缺陷责任期的概念，当事人往往在施工合同中约定，“保修期满，质量保证金无息返还”。这样的约定，产生了许多纠纷。
依据法律规定，地基基础工程和主体工程的保修年限是设计的合理年限。那么，一般工程项目的设计年限最低也要50年，所以根据合同约定，保险金要50年以后才能返还。新版施工合同新增了缺陷责任期的概念，明确了质保金的返还时间。
此外，施工企业还要注意，单位工程先于全部工程进行验收，经验收合格并交付使用的，该单位工程缺陷责任期自单位工程验收合格之日起算。因发包人原因导致工程无法按合同约定期限进行竣工验收的，缺陷责任期自承包人提交竣工验收申请报告之日起开始计算；发包人未经竣工验收擅自使用工程的，缺陷责任期自工程转移占有之日起开始计算。

机器学习中，有哪些特征选择的工程方法

特征选择是特征工程中的重要问题（另一个重要的问题是特征提取），坊间常说：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。由此可见，特征工程尤其是特征选择在机器学习中占有相当重要的地位。通常而言，特征选择是指选择获得相应模型和算法最好性能的特征集，工程上常用的方法有以下：1. 计算每一个特征与响应变量的相关性：工程上常用的手段有计算皮尔逊系数和互信息系数，皮尔逊系数只能衡量线性相关性而互信息系数能够很好地度量各种相关性，但是计算相对复杂一些，好在很多toolkit里边都包含了这个工具（如sklearn的MINE），得到相关性之后就可以排序选择特征了；2. 构建单个特征的模型，通过模型的准确性为特征排序，借此来选择特征，另外，记得JMLR03上有一篇论文介绍了一种基于决策树的特征选择方法，本质上是等价的。当选择到了目标特征之后，再用来训练最终的模型；3. 通过L1正则项来选择特征：L1正则方法具有稀疏解的特性，因此天然具备特征选择的特性，但是要注意，L1没有选到的特征不代表不重要，原因是两个具有高相关性的特征可能只保留了一个，如果要确定哪个特征重要应再通过L2正则方法交叉检验；4. 训练能够对特征打分的预选模型：RandomForest和Logistic Regression等都能对模型的特征打分，通过打分获得相关性后再训练最终模型；5. 通过特征组合后再来选择特征：如对用户id和用户特征最组合来获得较大的特征集再来选择特征，这种做法在推荐系统和广告系统中比较常见，这也是所谓亿级甚至十亿级特征的主要来源，原因是用户数据比较稀疏，组合特征能够同时兼顾全局模型和个性化模型，这个问题有机会可以展开讲。6. 通过深度学习来进行特征选择：目前这种手段正在随着深度学习的流行而成为一种手段，尤其是在计算机视觉领域，原因是深度学习具有自动学习特征的能力，这也是深度学习又叫unsupervised feature learning的原因。从深度学习模型中选择某一神经层的特征后就可以用来进行最终目标模型的训练了。整体上来说，特征选择是一个既有学术价值又有工程价值的问题，目前在研究领域也比较热，值得所有做机器学习的朋友重视。

如何学习特征工程

通过深度学习来进行特征选择；
通过对特征打分获得相关性来训练最终模型，如LogisticRegression能对特征模型打分；
联合L2,1范数正则约束的选择特征；
计算皮尔逊系数和互信息系数来获取每一个特征与响应变量的相关性后排序选择特征；
最小角回归（LeastAngleRegression），逐步回归（Forwardstepwiseregression），逐渐回归（forwardstagewise）；
递归特征排除法（RecursiveFeatureElimination（RFE））；