电子工程专业评副高总结_副高职称工作总结

副高职称工作总结

高级职称聘任申请书一:高级职称聘任申请书

本人于

20XX

7

月毕业于

**

幼师

.

同年

7

月到

***

幼儿

园工作已经

11

年了

.

在此期间曾被幼儿园聘任为配班教

师、班主任、美术兴趣班组长等职

.20XX

年我以优异的成绩

考入入河南省教育学院学前教育专业学习

,

将于

20XX

7

月毕业

,

获得大专学历

.

在此

,

我把这几年的工作总结汇报如

:

一、

思想方面

首先

,

我能积极参加幼儿园组织的政治学习

和业务学习

,

并能在学习和活动过后认真写心得体会

.

遵守

幼儿园的各项规章制度

,

热爱自己的本职工作

,

关心、

爱护孩

.

遵纪守法、

遵守园的各项规章制度

.

《幼儿园工作规程》

为准绳

,

以《幼儿园教育指导纲要

(

试行

)

》为指南

,

努力提高

教学水平

.

其次

,

树立”为家长、为孩子、为机关”的三服

务思想

,

待人有礼、工作诚恳

,

为人师表

,

以身作则地作好幼

儿学习的榜样

.

有较强的事业心和责任感

,

团结协助精神好

,

服从组织安排

,

积极参加园内组织的各项活动

,

思想端正

,

风正派

.

此外

,

在各项工作中我都能够积极主动

,

不挑不拣

,

不计个人得失

.

与人为善

,

不管与哪位老师配班

,

都能够认真

配合

,

团结协作

.

与家长能够像朋友一样交流

,

全力争取家长

对班级工作的支持

,

并取得了良好的效果

,

从没有出现过家

长投诉

.

总之

,

我的塌实肯干、认真负责、与老师们的团结和

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
#预测因子(海温) #nino3.4赤道东太平洋(190-220,-5-5) a22=sst_djf.sel(lon=slice(190,220),lat=slice(5,-5)).mean(axis=1).mean(axis=1) a2=(a22-a22.mean())/a22.std() #赤道印度洋(50-80,-5-5) a33=sst_djf.sel(lon=slice(50,100),lat=slice(5,-5)).mean(axis=1).mean(axis=1) a3=(a33-a33.mean())/a33.std() #预测因子(环流场) #南欧(30-40,35-45) b11=hgt_djf.sel(lon=slice(30,40),lat=slice(45,35)).mean(axis=1).mean(axis=1) b1=(b11-b11.mean())/b11.std() #太平洋副高(120-180,-10-10) b22=hgt_djf.sel(lon=slice(120,180),lat=slice(10,-10)).mean(axis=1).mean(axis=1) b2=(b22-b22.mean())/b22.std() #印度洋(60-80,-10-10) b33=hgt_djf.sel(lon=slice(60,80),lat=slice(10,-10)).mean(axis=1).mean(axis=1) b3=(b33-b33.mean())/b33.std() x=np.vstack([(a2,a3,b1,b2,b3)]).T x2=np.vstack([(a2,b1)]).T y=pre_standard #多元线性回归 res=np.linalg.lstsq(x,y,rcond=None) n=res[0] ##各项系数 y_fit=(n.T*x).sum(axis=1) #拟合数据 res2=np.linalg.lstsq(x2,y,rcond=None) n2=res2[0] ##各项系数 y_fit2=(n2.T*x2).sum(axis=1) #拟合数据 #可视化 time=np.arange(1961,2017,1) fig = plt.figure(figsize=[16, 5]) ax = fig.add_subplot() ax.plot(time, y,marker='o', color='gray', markersize=5) ax.plot(time, y_fit,marker='*', color='b', markersize=5) ax.plot(time, y_fit2,marker='^', color='r', markersize=5) ax.set_title('model',fontsize=20,fontweight='bold') ax.set_xlabel('Time') ax.set_ylabel('Pre') plt.legend(['Source data','Fitted1','Fitted2'],frameon=False,loc='best') plt.show()选做剔除一年的交叉检验,独立试报
06-01
好的,我理解你的意思是要对这段代码进行交叉验证和独立测试,以估模型的性能。交叉验证可以用来估模型的泛化能力,独立测试可以用来测试模型的预测能力。以下是一个简单的交叉验证和独立测试的示例代码,仅供参考: 交叉验证: ```python from sklearn.model_selection import KFold # 将数据集分成 5 份,进行 5 折交叉验证 kf = KFold(n_splits=5, shuffle=True, random_state=1) # 存储每次交叉验证的估结果 scores = [] for train_idx, test_idx in kf.split(x): # 划分训练集和验证集 x_train, x_valid = x[train_idx], x[test_idx] y_train, y_valid = y[train_idx], y[test_idx] # 训练模型 res = np.linalg.lstsq(x_train, y_train, rcond=None) n = res[0] # 在验证集上进行预测,计算估指标 y_pred = (n.T * x_valid).sum(axis=1) score = np.sqrt(((y_pred - y_valid) ** 2).mean()) scores.append(score) # 计算交叉验证的平均估指标 mean_score = np.mean(scores) print('交叉验证 RMSE:', mean_score) ``` 独立测试: ```python # 划分训练集和测试集 train_size = 0.8 n_samples = x.shape[0] n_train = int(train_size * n_samples) x_train, x_test = x[:n_train], x[n_train:] y_train, y_test = y[:n_train], y[n_train:] # 训练模型 res = np.linalg.lstsq(x_train, y_train, rcond=None) n = res[0] # 在测试集上进行预测,计算估指标 y_pred = (n.T * x_test).sum(axis=1) test_score = np.sqrt(((y_pred - y_test) ** 2).mean()) print('独立测试 RMSE:', test_score) ``` 需要注意的是,这里使用的是简单的线性回归模型,可能存在欠拟合或过拟合的问题,需要根据实际情况进行调整。另外,数据预处理和特征工程也是影响模型性能的重要因素,需要进行合理的处理。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值