国家督学

摘要： 2017年,原江苏省教科所所长、国家督学成尚荣先生,在《人民教育》上撰文《语文教学中传统文化的创造性转化》,读罢此文,感觉深受启发,然后就在教学实践的过程中不断地将成先生的理念渗透到自己的教学当中,无形当中也就促使笔者更多地关注传统文化,更多地关注传统文化在小学语文教学中的渗透,并且能够以“创造性转化”这样一个思路来指导自己的教学。

摘要： 一、与时俱进,提高对教师教育培养体系的认识《生活教育》：请您谈一谈对现阶段教师教育培养体系的看法。李洪天：现阶段教师培养体系需与时俱进。新中国建立以后,党和政府高度重视教师教育,我们建立了有自己特色的教师教育培养体系,逐步建立了培养小学教师以中师为主。

摘要： 张力，研究员、博士生导师、国家督学，国家教育咨询委员会秘书长，教育部教育发展研究中心原主任，北京等5省市政府咨询专家。30多年来专职从事政策研究，多次参与起草党和国家文件，2006年以来进入党的十七大、十八大、十九大报告和十多次中央全会文件起草组工作班子。现为中央国家机关党的十九大精神宣讲人。近日，《中国研究生》杂志对张力进行了专访。

摘要： 国家督学成尚荣先生在《关于学生发展核心素养的四句话》一文中提到台湾教育同行的一句话：究竟什么是教学？答案是不要给学生背不动的书包,要给学生带得走的东西。这能带得走的是什么呢？是方法,是能力,是智慧。这些素养永远会伴随着学生,而且在伴随的过程中还会再生,这也正是教学的使命与目的。这些素养在课程标准中是有具体描述的。

摘要： 6月15日，第三届“互联网＋教育”创新周闭幕仪式在中关村互联网教育创新中心举行。中关村互联网教育创新中心总经理杨丹主持闭幕式。国家教育咨询委员会秘书长，国家督学、教育部教育发展研究中心原主任张力，国务院参事、友成企业家扶贫基金会常务副理事长汤敏，教育部教育装备研究与发展中心主任曹志祥，国家发改委国际合作中心创业与社会发展办公室主任邓智华，中关村科技园区海淀园管委会副主任黄英，海淀园科技发展处副处长梁爱民，海淀区工商联党组副书记、副主席郭莹，北京师范大学教育学部副部长、教授、未来教育高精尖创新中心执行主任余胜泉，中关村互联网教育创新中心董事长刘洋等嘉宾出席本次大会。

摘要： 罗崇敏，云南省教育厅原厅长，国家督学，“三生教育…‘价值主义教育思想”和“广义边政学”的首创者。

摘要： 日前，教育部党组书记、部长陈宝生在深化教育督导改革暨第十届国家督学聘任工作会上作专题报告，从当前我国教育发展形势的基本判断、新的历史阶段我国教育面临的主要任务和工作重点、制约教育改革发展的难点问题以及如何做好教育督导工作等角度切入，就当前和今后一段时期我国教育发展总体思路和与会者进行了深入交流。

摘要： 日前,教育部党组书记、部长陈宝生在深化教育督导改革暨第十届国家督学聘任工作会上作专题报告,从当前我国教育发展形势的基本判断、新的历史阶段我国教育面临的主要任务和工作重点、制约教育改革发展的难点问题以及如何做好教育督导工作等角度切入,

摘要： 由国家督学、政协委员、有关专家等组成的9个督导组日前对河北、山西等18个省（自治区、直辖市）营养改善计划实施情况进行了专项督导。督导结果显示,营养改善计划实施4年多来,实施成效日益显著,实施学校达到13.7万所,全国受益学生达到3 354万人。从督导情况看,各地在实施过程中还存在一定的困难和问题。

摘要： 2016年9月29日下午，南岸第六期学校督导工作室主任暨责任督学（视导员）培训会在重庆市南岸区新城中学举行。国家督学、重庆市委教育工委委员、市教委专职督学张荣，国家督学、重庆市政仔于教育督导室常务副主任刘先海，重庆市南岸区区委教育工委书记、区教委主任李劲渝、南岸区区委教委工委委员、区政府教育督导室副主任赵波，南岸区教育督学总顾问陈晓风、区教委招考科副科长左明燕、区教委督导评估中心干事董宏燕，以及学校督导工作室主任、视导员责任区督学、视导员等150余人参加了培训。

摘要： 本发明公开了一种基于有监督学习和无监督学习的反欺诈方法，具体步骤如下：数据预处理，数据转换，创建高斯混合模型，期望最大化算法，有监督学习，无监督学习，预测，该基于有监督学习和无监督学习的反欺诈方法使用有监督学习和无监督学习结合的方法来建立反欺诈模型，有监督学习模型和无监督学习模型被包含在一个大的模型中，这个大的模型将达到集成模型的效果，预测的结果将会优于单独考虑有监督学习或无监督学习时的效果，而且有监督学习和无监督学习是互补的，两种学习方式结合将可以检测出已知的欺诈模式和未知的欺诈模式。

摘要： 本发明公开的一种基于监督学习和半监督学习双重信息的迭代式标签噪声识别算法，属于机器学习和数据挖掘领域。本发明将监督和半监督学习结合起来，对于监督学习部分，通过软多重投票方式，产生监督学习噪声识别结果；对于半监督学习部分，基于监督学习产生的纯净数据训练的分类模型，对无标签数据集进行标记，标记后的无标签数据作为训练集，用加权KNN方法对标签数据集进行检测产生噪声识别结果；最终将噪声识别结果结合起来产生最终识别结果。本发明算法还采取迭代方式，每次迭代输入的待测样本为上次迭代时过滤掉噪声后的剩余样本。同传统噪声识别算法比，该发明结合了更多互补信息，同时辅以迭代方式，能更好促进噪声识别准确性。

摘要： 本公开提出一种自监督学习方法和自监督学习装置，涉及计算机领域。本公开通过每个原始图片的每个增广图片的特征到所述每个原始图片的所有增广图片的特征均值的距离度量信息，能够有效监测到语义出现偏差的增广图片样本，通过减小相应的权重，语义出现偏差的增广图片样本带来的训练噪声能够被有效地抑制，很好地平衡了数据增广分布的方差与偏差，提升了学习模型在下游的计算机视觉任务上的性能。

摘要： 本发明提供了一种监督学习与非监督学习结合的因子提取气候特征方法，包括：获取因子的历史数据；所述因子的历史数据包括物理量场因子的历史数据和预报对象的历史数据；对因子的历史数据进行标准化，得到标准化后的数据；对标准化后的数据采用监督学习回归类作分析，提取其均方误差场；对标准化后的数据采用相关系数类作分析，提取其相关系数场；获取均方误差场的预报因子集；获取相关系数场的预报因子集；将均方误差场的预报因子集和相关系数场的预报因子集合并，得到多因子序列。本发明的有益效果：避免了大范围提取因子时，总体高相关和高影响的区域会掩盖掉较低影响区域的信息；避免过多丢弃了与整体场要素模态不一致的低信号信息。

摘要： 本发明涉及一种半监督学习系统和一种半监督学习方法，半监督学习方法包括：取得一或多个源域的源域数据及一目标域的目标域数据；使用该源域数据及该目标域数据以训练一特征萃取模型；利用一域判别模型、一任务模型及一半监督学习机制以分别计算该特征萃取模型的域判别损失函数、任务损失函数及半监督损失函数；依据该域判别损失函数、该任务损失函数及该半监督损失函数以计算一总损失函数，并依据该总损失函数以更新该特征萃取模型、任务模型与域判别模型的权重；以及因应于整体模型满足模型收敛条件，结束整体模型的训练过程。

摘要： 本发明涉及一种联合自监督学习和半监督学习的地外图片分割方法和系统。该方法对于地外图片通过掩码图片建模的方式进行自监督预训练，使得模型学习到多样鲁棒的特征空间表示，然后通过半监督方式来微调模型，充分利用地外数据中未标注部分的信息，使得模型在下游任务即语义分割上能有更好的表现。本发明通过自监督学习预训练使得网络可以在无标签数据中学习到良好的特征表示，并且提高了半监督方式下微调阶段的伪标签预测质量，同时微调阶段通过产生伪标签来利用未标注区域的监督信息，使得模型输出的预测结果更准确。本发明能够显著提升图片分割性能。

摘要： 本发明公开了一种融合无监督学习和自监督学习的中文拼写纠错方法，首先，利用混淆集对模型进行预训练，在预训练时不再替换为随机的字，而是替换为混淆集中的字使模型学到字音和字形相关信息；在训练时利用无监督学习和自监督学习对中文拼写错误进行检测和纠正，并利用混淆集进行候选字的选取；最后在中文拼写纠错领域的测试集上测试模型在字级层面和句级层面的纠错性能。本发明融合无监督学习和自监督学习提高模型中文拼写纠错性能的方法所训练的模型能够使模型更好的学习到字音和字形信息，使得模型在中文拼写纠错领域的性能得到提高。

摘要： 一种自监督学习辅助下的半监督学习方法，包括以下步骤：将训练样本划分为若干个批次，每个批次包括标注数据或无标注数据；将当前批次的数据随机翻转，再与原数据进行合并，作为当前输入数据；用特征提取网络提取当前输入数据的特征，得到抽象特征；以及把提取的抽象特征送入到图像类别分类网络或者图像角度翻转分类网络进行图像类别和图像角度翻转判断，若输入数据为标注数据，则将抽象特征同时送入图像类别分类网络和图像角度翻转分类网络进行图像类别和图像角度翻转判断，若输入数据为无标注数据，则只将抽象特征送入图像角度翻转分类网络，进行图像角度翻转判断。本发明方法提升了半监督学习的图像类别分类性能。

摘要： 本发明提供了一种半监督学习方法，该方法包括：利用有标签数据对神经网络模型进行初始训练；获得待标定的无标签数据的增强数据；利用初始训练好的神经网络模型标定待标定的无标签数据及其增强数据的伪标签；利用有标签数据以及待标定的伪标签数据重新训练神经网络模型；其中，用于半监督学习的神经网络模型包括：输入层，用于接收输入数据；第一隐藏层，用于提取输入数据的低层语义信息；语义层，用于基于低层语义信息确定输入数据的低层语义标签；第二隐藏层，用于基于输入数据及其低层语义标签提取输入数据的高层语义信息；以及输出层，用于基于输入数据的高层语义信息确定其高层语义标签，并作为最终标签输出。

摘要： 本发明公开了一种基于有监督学习和无监督学习的反欺诈方法，具体步骤如下：数据预处理，数据转换，创建高斯混合模型，期望最大化算法，有监督学习，无监督学习，预测，该基于有监督学习和无监督学习的反欺诈方法使用有监督学习和无监督学习结合的方法来建立反欺诈模型，有监督学习模型和无监督学习模型被包含在一个大的模型中，这个大的模型将达到集成模型的效果，预测的结果将会优于单独考虑有监督学习或无监督学习时的效果，而且有监督学习和无监督学习是互补的，两种学习方式结合将可以检测出已知的欺诈模式和未知的欺诈模式。