第一期实习总结 五篇

第一篇：第一期实习总结

为期5天的第一期实习结束了，休息三天，第一期实习总结。开心不用站坡脚的同时也不开心因为不能和可爱的老外聊天了

总结一下这一期的实习：

1.认识到很多新朋友。某某人，其实以前就好想识的了，想不到分到一起了，嘿嘿嘿~感情大跃进

和一班还有商日的同学一起工作。一班的人本来就有印象了，一个专业的经常都一起上课了，只是不熟而已，现在就混得很熟了~商日的同学之前也有认识过几个，不过也不太熟，因为不来电。不过这次就很来电了，哈哈，好好玩啊她们。和她们一起就经常听日文了。枫子超期待接到日本人，可惜每次都是我接到的，于是我被仇视了=U=不过今天她人品大爆发，连续接到4单日本人，还拿到人家的名片，还说要去过塑裱起来。还纠结要不要发Email或者打电话给人，整个人处于极度亢奋状态。

雯雯居然是色情小说作者?！还是BL色情小说。真看不出来。=。=

好好玩的新朋友~

2.老外啊可爱的老外。因为本身热爱的东西都是欧美的，所以能和老外聊天就觉得好开心了~

昨天接到两个爱尔兰人，超级超级的人好！先是留下我和他们聊天聊天，其中一个居然有5个硕士学位！又长得帅，浅蓝的眼睛好好看，好有杀伤力，说话又温柔，好有礼貌啊，整个好迷人啊~简直就是prince charming啊

然后他们又叫我教他们中文。prince charming学得超快，真聪明~

这是另一个在纸巾上写的“可乐”二字的中文

哈哈，好像小学生的字啊，真可爱~=3=

然后他们就教我讲爱尔兰语，超级拗口复杂的说，实习总结《第一期实习总结》。和他们聊天真的好开心啊~最后他们超慷慨地给了我一笔巨额小费，比我一天的工资还要多，我就更开心了，哈哈哈哈哈

现在弄得我好想去爱尔兰啊~

今天接到一个法国客人，说我是他目前在中国见过说英语说的最流利的Chinese girl，不管是真的还只是夸奖，听到都觉得开心死了

为什么老外可以长得那么好看啊。这几天我真的看到太多迷人的老外了，长得太华丽了，现在回来看到一般人觉得好无趣…

今天来了个法国小女孩，哇噻，真有想把她拐带回家的冲动！太好看了吧长得，惹人犯罪啊，长大之后肯定是个祸害，所以其实我应该真的要把她带回家好好调教调教为人民除害才是。

她们都在迷一个中文说得超好的handsome boy(雪兔起名字)，开始我还以为是另一个人，因为boy嘛，所以我以为A是，但最后居然是B，拜托，那都是man了吧，应该是handsome man吧，而已我也觉得handsome不到哪里去，一抓一大把。A才是真正的handsome boy的说，长的好像《歌舞青春》的男主角Zachary Efron，超级想摸他的头发

老外都好喜欢喷古龙水，所以老外们都很香，经常走过他们身边都香香的~

我好期待服装那期啊，不知道是下期还是下下期嘞，肯定会有更多美美的老外出现，而且肯定打扮得很fashion，有model就好啦，到时就更养眼了

3.好人上司。娜姐和红姐都好好人啊，都不会强迫我穿裙子戴头巾，所以我就不用穿裙子和戴那烂头巾了。可惜衰经理来巡视的时候叫她们叫我戴。=口=好衰啊。不过红姐说自己人不强迫，多好人啊！不过我觉得那衰经理肯定看我不顺眼了，迟早会亲自来说我或施压娜姐叫我戴头巾。真是吃饱了撑的，明明大家都不喜欢那头巾，而且超级妨碍工作的，很容易就掉下来了，还不如不要戴！

遇到娜姐做上司真的太走运了。今天早上我睡过头了迟到了差不多一小时，回到去的时候还对我笑，还给我早餐吃。难道是想我觉得愧疚所以以后不再迟到了?OK，it works，我愧疚死了，我以后绝对不会再睡过头了…

第一期的实习就这样结束了，接下来这三日我要睡个昏天地暗！每天都六点起床抽乾我的精力了，我要趁这假期补回来！

然后就是第二期的实习了，期待期待~可爱的老外我又来了

第二篇：第一期学习总结

学习记录

时间：7月26日至8月2日 学习内容概述：

1、学习周志华《机器学习》前6章的内容。

2、通读英文文献《Extreme Learning Machine》和《Outlier-robust extreme learning machine for regression problem》

学习笔记

1机器学习第一章：绪论 人类具有学习的能力，我们可以通过对经验的利用，对新情况做出有效判断。机器学习就是对“学习算法”的研究，通过“学习算法”，我们可以让计算机通过经验数据，来生成一个“算法”的模型。而算法的作用是在我们输入一个新样本时，能够自动输出其对应的预测值，也就是预测新样本未知的“标记”。而算法适用于新样本的能力，就称为“泛化”能力。

学习可以进行分类。

1、若预测值为离散值，则此类学习为“分类”；若预测值为连续值，则此类学习为“回归”。

2、训练数据有标记信息，此类学习为“监督学习”，否则为“无监督学习”。

由于学习过程总是基于有限样本来进行训练的，那么就会出现多个假设都能与训练集都表现一致的情况，我们将这多个假设的集合称之为“版本空间”。为了得出确定的学习结果，学习算法在学习过程中就必须具有对某种类型假设的偏好，即“归纳偏好”。这个“偏好”在具体的学习算法中是如何体现的？

2机器学习第二章：模型评估与选择

我们把学习机实际预测输出与样本的真实输出之间的差异称为“误差”。其中学习器在训练集上的误差称为“训练误差”或“经验误差”，在新样本上的误差称为“泛化误差”。

训练误差为零的学习器，通常并不是一个好的学习器，因为其很可能出现“过拟合”的问题，即把训练样本本身的一些“特点”当做潜在样本的“性质”进行学习。反之，未能充分学习训练样本的“性质”，则会导致“欠拟合”的问题。

我们希望的是学习器的“泛化误差”尽可能小，在实际应用中，我们常以测试集上的“测试误差”作为“泛化误差”的近似。故对于数据集D，我们需要对其进行处理，从中产生出训练集S和测试集T。（原则：测试集应该尽可能与训练集互斥。）常用方法有留出法、k折交叉验证法、自助法（内含分层抽样和多次试验的问题）。

1、留出法就是简单划分。

2、交叉验证法，（p26页图2.2.）

将D划分为k个相同数量的子集，将k-1个子集用作训练集，1个子集用作测试集，然后不断更换作为测试集的子集，进行k次训练和测试。

3、自助法

假设D中包含m个样本，有放回地从D中采样m个样本放入D’中，将D’ 作为训练样本，根据概率会有接近36.8%的样本未被抽取，这一部分未被抽取的样本就作为测试集。自助法在数据集较小的时候作用很大。

但在学习算法确定后，我们还是要利用数据集D进行重新训练。

找好S和T后，我们就需要找到对测试进行评价的标准，就是“性能度量”。回归任务中最常用的性能度量就是“均方误差”。而分类任务（二分类为例）中，我们可以使用错误率、精度、查准率、查全率、ROC曲线、AUC曲线等来进行度量。

1、错误率、精度，略。

2、查准率P与查全率R。

TPTPPR，P与R是一对矛盾（大体上负相关）的度量。

TPFPTPFNP-R曲线是以P为纵轴，R为横轴作的图。“平衡点BEP”是查全率=查准率

2PR时的取值，可以作为比较的标准。更常用的还有F1度量，F1，考虑

PR到侧重点不同还有F1的一般形式F。（见p32页）

当遇到需要综合考虑多个二分类混淆矩阵时，比如多分类任务的两两类别组合，则需要考虑“宏F1”和“微F1”的概念（见p32页）

3、ROC曲线，以及AUC值。ROC 曲线纵轴是“真正例率”TPR，横轴是“假正例率”FPR。

TPFPTPRFPR，AUC为ROC曲线下各部分面积求和，反映TPFNTNFP的是样本预测的“排序质量”。

当然现实中也会出现不同的错误类型，造成不同代价的损失，所以我们可以为错误赋予“非均等代价”。在“非均等代价”下，我们希望最小化的不再是错误次数，而是“总体代价”。（见p36式2.23）

对单个学习器进行评价，我们假设测试样本是从泛化错误率为的样本总体中独立采样而成，求测试错误率为的概率，那么可得这种情况符合二项分布。那么反之，我们可以通过“二项检验”来对的假设进行检验。如p39页所示，可以根据测试错误率推测泛化错误率的大小和取该值的概率，每一个（显著度/置信度）对应一个临界值。这是单一测试错误率的性能测试方法。

当我们有多个测试错误率时，我们可以采用“t检验”法，进行检测。（明白用法，原理不明，需要重新学习概率论相应部分的内容）对于两个学习器学习性能是否相同，我们可以利用交叉检验t验证，也需要用到概率论相应内容。

3机器学习第三章：线性模型

线性模型试图学得一个通过属性的线性组合来预测的函数。“线性回归”试图学得一个线性模型以尽可能准确地预测实值输出标记。基于均方误差最小化来进行模型求解的方法称为“最小二乘法”。在线性回归中最小二乘法就是找到一条直线，使所有样本到直线上的欧氏距离最小。（p55中当样本由d个属性描述的情况下的矩阵求导运算不能读懂）

那么推广开来，我们可以得到“广义线性模型”，即考虑单调可微函数g(.)（称为联系函数），令yg1(wTxb)。前面谈到了如何用线性模型和处理回归问题，那么如何利用线性模型来处理分类问题呢？最理想的分类模型是阶跃函数，但是我们为了满足可微的条件，我们可以采用“对数几率函数”来替代阶跃函数。（关于p59页最优解的概率分析不明白；3.4中p61至p63的矩阵运算不理解）

在前面的学习中，我们大多讨论的都是“二分类”的学习器。面对现实中的多分类问题，我们可以要学习如何将多分类问题拆解成二分类问题。经典拆分策略有“一对一”、“一对其余”、“多对多”，OVO和OVR分类示意可以参考p64图3.4。MVM的正反类构造需要特殊设计，比如最常用的“纠错输出码”ECOC。编码、解码过程参考p65的图3.5，可能预测的编码不属于任何一类，即“出错”，但只需找到最接近的一类将其归入，这就是“纠错”的过程。

前面的分类都有一个共同的基本假设，即不同类别的训练样例相当。但是现实中“类别不平衡”的情况，即分类任务中不同类别的训练例数目差别很大的情况。这种情况下利用原始数据进行训练，可能让学习机将所有样本都分为数量上占绝对优势的一类来降低训练误差。特别若是训练集是真实样本无偏采样的假设不成立时，问题会更加突出。对于这种情况，我们可以采用“欠采样”、“过采样”、“阈值移动”。

4机器学习第四章：决策树

决策树是一种常见的机器学习方法。一般的一颗决策树包含一个根节点、若干个内部节点和若干个叶节点。叶节点对应于决策结果其他每个节点对应于一个属性测试；每个节点包含的样本集合根据属性测试的结果被划分到子节点中；根节点包含样本全集。根据p74图4.2可知，有三种情况会导致递归返。

1、节点包含的样本标记都相同。

2、节点内样本属性都相同。

3、节点内没有样本了。在算法中，最关键的是要如何选择最优划分属性。我们希望决策树的分支节点包含的样本尽可能属于同一类标记，即节点“纯度”越来越高。

“信息熵ENT”（p75 式4.1）是度量样本集合纯度最常用的一种指标（ID3决策树）。选择划分属性时我们可以计算出假设划分每个属性a所对应的“信息增益Gain”（p75 式4.2），选择信息增益最大的属性来划分，因为这意味着“纯度提升”越大。

但是增益准则对选择可取数目较多的属性作为划分对象有所偏好，为了平衡我们引入属性的“固有值”概念以及“增益率”的概念，增益率准则对可取数目较少的属性有所偏好。故一种启发性选择是从信息增益高于平均水平的属性中选阵容增益率最高的。此外还有基尼指数（CART决策树）可用来度量纯度，选择划分属性。

那么为了缓解“过拟合”问题，在决策树学习中我们通常采用“剪枝”的手段。剪枝可分为“预剪枝”和“后剪枝”。

“预剪枝”方法采用测试集验证剪枝前后的精度，只有精度提高才允许划分。此法可以降低过拟合风险，还显著减少了决策树德训练时间开销和测试时间开销，但也带来了欠拟合的风险。

“后剪枝”方法首先需要训练一棵完整的决策树，然后再由叶至根地对决策树进行剪枝，这种方法通常比预剪枝保留更多的分支，一般情况下“后剪枝”欠拟合风险小，泛化性能优，但训练时间开销大得多。

前面讨论的都是离散的属性值，那么为了处理连续的属性值，我们应该采用“二分法”进行处理（C4.5决策树）。若有n个元素，则我们考虑采用n-1个中位点作为候选划分点，来计算信息增益，选择划分点。另外，若当前节点划分的属性为连续值，其后代仍可对此属性进行划分。

再来讨论如何对“有缺失属性值的训练样例”来进行划分。我们可以利用每个属性中未缺失属性的样本和其占该节点样本比例来计算GAIN选择划分属性（p87 式4.12）。在划分缺失该划分属性的样本时，以不同权值将该样本划入子节点，相当于将一个样本“分割”。

继续扩展，我们可以考虑，现在每个节点的划分我们都是基于单一属性值来进行的。但在学习类似p91图4.12 这样的分类任务时，会相当复杂，故我们可以考虑，将节点由“单变量决策”转为“多变量决策”，将“轴平行决策树”转化为“斜决策树”甚至更复杂的决策树。（未深入学习）

5机器学习第五章：神经网络

神经网络是具有适应性的简单单元组成的广泛并行互联的网络，他的组织能模拟生物神经系统对真实世界作出的交互反映。

“M-P神经元模型”，神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权值的连接进行传递，神经元接收到的总输入值将于神经元的“阈值”进行比较，然后通过“激活函数”处理以产生神经元的输出。将这样的神经元按一定的层次结构连接起来，就得到了神经网络。

“感知机”由两层神经元组成。输入层接受外界信号之后传递给输出层，输出层为M-P神经元。在yf(iwixi)这个简单的公式中，我们可以将θ视为一个固定输入为-1的“哑节点”所对应的连接权重wn1，这样阈值和权重的学习就可以统一为权重的学习（这在矩阵运算中尤其突出）。学习过程是通过错误的程度对权重进行调整。

感知学习机只能解决线性问题，那么要解决非线性可分问题，则必须考虑使用多层神经网络。常见的神经网络是形如p101图5.6 的层级结构，每层神经元与下一层神经元全互联，神经元之间不存在同层连接，也不存在跨层连接，这种神经网络结构通常称为“多层前馈神经网络MLFNs”。其输入层神经元仅是接受输入，不进行函数处理，隐层与输出层包含功能神经元。

神经网络的学习过程，就是根据训练数据来调整神经元之间的连接权；换言之，神经网络“学”到的东西，蕴藏在连接权与阈值中。

欲训练多层网络，简单感知机学习规则显然不够了，需要更强大的学习算法“误差逆传播算法BP”就是其中最杰出的代表。如p102的图5.7所示的网络，有（d+l+1）q+l个参数需确定。BP算法基于“梯度下降”策略以目标的负梯度方向参数进行调整。

对于每个训练样例，现将输入示例提供给输出层神经元，然后逐层将信号前传，直到产生输出层的结果；然后计算输出层的误差，然后将误差逆向传播至隐层神经元，最后根据隐误差对连接权和阈值进行调整，迭代过程循环进行。（具体迭代的数学计算过程还不是很明白）

“标准BP算法”每次仅针对一个训练样本更新连接权和阈值，而“累计误差逆传播”是每学习一轮才更新一遍参数，降低参数更新的频率。

已经证明只需一个包含足够多神经元的隐层，多层前馈网络就能以任意精度逼近任意复杂度的连续函数（如何设着隐层神经元个数仍是未决问题，实际中通常依靠“试错法”）。由于其强大的表示能力，BP神经网络经常遭遇“过拟合”问题。有两种策略可以用来缓解“过拟合”。

1、早停，思想与决策树的剪枝无二致。

2、正则化：在误差目标函数中增加一个用于描述网络复杂度的部分。例如连接权和阈值的平方和，使网络输出更加光滑，来缓解过拟合。如p107 式5.17。

其余常见的神经网络还有RBF网络、ART网络、SOM网络等。由于之前的聚类学习中接触无监督学习比较多，故只看了其中关于“自适应谐振理论网络ART”和“自组织映射网络SOM”的内容。竞争型学习是一种神经网络中常用的无监督学习策略，在使用该策略时，网络的输出神经元相互竞争，每一时刻仅有一个竞争获胜的神经元被激活，其他神经元被抑制。这种机制称为“胜者通吃”原则。

ART网络由比较层、识别层、识别阈值、和重置模块构成。比较层接收样本，将其传递给识别层，（识别层每个神经元对应一个模式类）计算输入向量与识别层的相似度，归入相似度最大且大于阈值的识别层神经元，同时更新连接权；若相似度都不大于阈值，则增设一个新的神经元，代表向量就为当前输入向量。可见，识别阈值作用很大，决定了分类的细致程度。

SOM网络，能将高维输入数据映射到低维空间（通常是二维），同时保持输入数据在高维空间的拓扑结构，将高维空间中相似的样本点映射到网络输出层中的临近神经元。SOM网络中的输出层神经元以矩阵方式排列在二维空间中，每个输出层神经元都拥有一个权向量，网络在接收输入向量后，将会确定输出层获胜神经元，它决定了该输入向量在低维空间中的位置。

SOM的训练过程：在接受一个训练样本后，每个输出层神经元会计算该样本与自身携带的权向量之间的距离，距离最近的神经元成为竞争获胜者，然后最佳匹配单元及其邻近神经元的权向量将被调整，以使得这些权向量与当前输入样本的距离减小。此过程不断迭代，直至收敛。

前面介绍的神经网络大多是以单隐层为例。理论上来说，参数越多、复杂度越高的模型能完成更复杂的学习任务。随着云计算、大数据时代的到来，计算能力的大幅提高可以缓解训练的低效性，训练数据的大幅增加可降低过拟合风险，于是以“深度学习”为代表的复杂模型开始受到人们的关注。神经网络的提高容量的方法就是增加隐层的数目和层数。（关于深度学习只是提到一个概念，可以继续学习专门介绍深度学习的文章）Extreme Learning Machine

首先，极限学习机ELM是针对BP学习速度缓慢提出的。BP学习速度缓慢主要是由两方面原因造成，一是“梯度下降”迭代策略本身的性质问题；二是每一次迭代的过程中，大量的参数（连接权、阈值）都需要参加迭代。ELM的主要优势在于，它可以随意设定隐藏层的连接权、阈值，忽略输出层偏置，然后通过数学分析，一次确定最优的输出层连接权。过程无需迭代，速度极快。

在引言中提到，文献《Universal approximation using incremental feedforward networks with arbitrary input weights 》中证明，SLFNs只要激励函数满足无限可微，理论上即使是随机生成的任意wi和bi其值固定不变，具有N个不同样本，包含N个隐含层神经元的SLFNs的训练误差依然可以无限接近零。作者以此作为随机产生wi和bi的依据。但这并不表示这随机产生的不会对学习结果造成影响，相反，这造成了学习结果有较大的随机性和不稳定性。

文献的第二部分紧接着对ELM中要使用的Moore-Penrose 矩阵广义求逆（看不懂）和最小二乘解进行了介绍，同时证明了通过Moore-Penrose 求逆方法对Ax=y中A矩阵求逆得出的矩阵G，就是Ax=y对应的最小二乘法的解之一，同时它还具有所有解矩阵中范数最小的性质。这个性质，使得wi值较小，可以一定程度上缓解“过拟合”的问题，使得算法有较好的泛化性能，上面的Ax=y矩阵运算，就对应了ELM学习中的HT。

介绍完ELM后，接着就是应用环节。文章应用了3个实例，以BP和SVM作为参照来证明了ELM的优越性。

第一个应用是利用加利福尼亚州的房子属性对房子的价格进行预测，一共进行了50轮学习来取得平均效果。毫无疑问ELM在速度上占尽优势，因为他不需要迭代只需要进行一次求逆，而BP每一轮都需要迭代8000次（训练样本数）。而且在效果上来说，ELM测试误差还更小些。

第二个应用采取了“糖尿病预测”的二分类问题，第三个采取了“森林覆盖类型预测”的多分类问题。结果都与第一个应用相似。（具体来说是怎么用ELM来产生离散的分类结果的？）

总体来说，例证环节的思路非常清晰。从“连续函数的回归问题”到“二分类问题”再到“多分类问题”，令人信服。

ELM的优越性总结为以下几点：

1、速度快

2、泛化性能好

3、因为没有迭代过程，不要求激励函数可微。

4、省去了一些复杂的参数比如学习率。Outlier-robust extreme learning machine for regression problems 这篇文献针对ELM对离群点（异常数据）敏感的问题提出了一种改进的“离群点鲁棒性极限学习机”(ORELM)。

文献指出，目前所有的ELM及其变体都是采用“二范数”的目标函数来对学习机进行训练的，但是“二范数”会放大离群点所带来的误差。因此此文献采用了“一范数”的目标函数来训练学习机，因为一范数对于异常数据的有更好的鲁棒性。另外为了得出目标函数的最优解，文献采用了增强的拉格朗日乘数法（ALM）来迭代求解。（还未理解此乘数法的具体数学过程）

文献第二部分，介绍了两种极限学习机的变体。分别是正则化极限学习机Regularized extreme learning machine(RELM)，和基于RELM提出的权重正则化极限学习机Weighted regularized extreme learning machine(WRELM)。RELM的提出是为了在ELM的基础上提高泛化性能，故在目标函数中添加了一个关于连接权矩阵二范数的正则化项，其余没有改变。WRELM则是在RELM运算结束后，将每个样本带入网络求出对应偏差，高偏差的样本将被赋予小权值，借此提高鲁棒性。然后重新利用RELM进行学习，得到最终结果。

文献指出了WRELM存在的问题，一方面很依赖RELM，另一方面当不存在离群点时，好的样本点的权值也会受到影响。

接着文献就提出了利用1范数作为目标函数的ORELM。这是一个带约束的凸优化问题，可以利用ALM方法进行迭代求解。文献提出，当数据存在异常时，ORELM有最好的鲁棒性，具有实用性。

应用环节也是采用了三个实例对方法进行验证。一是利用函数SinC对带有离群点的数据进行回归学习。对比了含有10、20、40、80个离群点的训练集的回归效果，还分为固定偏离值的离群点和某区间内任意偏离值的离群点两种情况。（这里说的偏离都是标记值的偏离，没有讨论属性值的偏离）二是利用乳腺癌良性恶性的二分类问题来进行学习。显然ORELM的精度更高，这一点在“受污染数据”比例上升后更加明显。

ORELM的优越性表现为：

1、计算速度较快，虽然比ELM慢很多，但比WRELM快。

2、面对含有异常数据的样本集时学习的鲁棒性比较强，比文献综述提及的其他ELM变体都要强。

第三篇：集训队第一期总结

集训队第一期总结

不知不觉江农集训队第一期就这么愉快的结束了，还记得开幕当天，由于有队员迟到我们整体受罚，A,C组男生俯卧撑150个，女生深蹲150个，B组男生俯卧撑80个，女生深蹲80个，而队长们翻倍。这让我很感动到，我们的绿源家长们无论何时都陪我们一起分享快乐、承担痛苦。几天后，我们开始了正式的集训。大家都准备着演情景剧，而我们第二组由于组员没来齐，剧本又得重新编写，我们从没想过我们临时编写的剧本会比得过别人。可是最后我们意外的拿到了第二名。我觉得我在其中得到了很多，首先队友间要相互信任，其次即使我们不知道结果会是哪种，我们都不应该轻易放弃。即使我们失败了，至少我们曾经努力过，没有留下遗憾。

今天的集训是第一期集训的尾声，我们这一次集训内容是定向。在整个过程中，我们都很快乐与热情，虽然多多少少有点小插曲，不过我觉得今天过得还是挺充实的。总之，在集训队中我收获了很多，友谊、快乐、信念等等，还有就是我开朗很多了，认识了很多朋友，也不再沉默寡言，我能成为集训队中的一员我觉得很开心。

第四篇：2012——2013第一期少先队总结

2012——2013学年第一学期少先队总结

龙丰小学

本学期，根据教育局、学区德育要点，结合本校工作实际，我校少先队工作以学校“让学生快乐、幸福地成长”为目标，认认真真开展学校德育各项活动，取得可喜成绩。具体工作如下：

一、创设和营造工作平台，为教师服务。

本学期我线工作继续以“大力推进中队辅导员素质培养”为指导思路，通过提要求，促学习，搞活动，勤交流，抓典型等措施，来提高中队辅导员的素质。具体做法有：

1、继续以理论固化中队辅导员的思想水平，推荐各中队辅导员阅读各种班队建设有关书籍杂志，做到“以老帮少”结对活动，促进相互学习交流，共同管理。

2、定期召开中队辅导员会议，布置相关主题活动；做好周、月少先队情况反馈,做好德育月评工作并有记录有总结。

3、大队部要求各中队辅导员上好每一节班队课，做到有检查、有记录、有反馈。按中队辅导员会议要求部分中队辅导员开设主题班队展示课。

4、学校各种活动（如艺术节、体育节、科技节、大课间活动等）要求各班主任有过程，有小结。

6、积极开展教师“到家”家访，为学生送温暖活动，举行学校教师家访报告会。（其中赵爱玲、郭营丽两位教师有孕在身而深入学生家庭走家串户，走工棚，过合租房，了解学生家庭情况，做到一丝不苟地进行家访，深受同事、家长好评），7、关注、倾听教师、学生心声。本学期向教师、学生各发放问卷调查25份、30份，共征求教师意见与建议14条，学生意见与建议6条。学校根据教师、学生的意见与建议，逐条进行梳理，并进行整改，共整改18条，其他几条正分批进行整改。

8、提倡教师外出学习，汲取窗口学校及兄弟学校的先进经验。安排教师外出听课。

（二）、强化和突出文化底蕴，为学校服务。

1、继续推进校园文化建设。积极营造浓厚的书香校园氛围，多渠道、多途径挖掘“文化元素”，通过造就和谐的人文环境，陶冶学生情操，启迪心灵，进行潜移默化的教育。二是继续积极开展班级文化建设,各班主任根据自己班级的特点,布置具有班级特色的文化；定期出好黑板报，使之与学校的每月主题活动相互辉映。四充分利用好教室门口“星级班级”和学校星级班级评比栏目。五是学生作品成果展文化：打造手抄报作品专栏，做到学生作品定时间、定主题展示。

2、少先队干部建设。重视对学生干部的培训和指导工作，召开学生干部会议，开展学生干部之间工作经验的交流活动。创新大队干部竞选方式，通过考试、演讲等形式，成立新一届大队委；成立2支实干的监督巡查小组，分工检查学校常规、文明礼仪、吃零食现象等。

3、学生校规建设。

本学期大队部继续开展了一系列的活动，进一步加强在校学生的行为规范养成教育。首先，开展“星级文明班级”评比活动。根据《小学生守则》、《小学生日常行为规范》等有关规定，制定星级班级评比内容（仪表、言行、卫生、两操、纪律、佩带）。评比为一天一检查，一周一评比，一周一小结，一周一公布。评比以经常性检查和抽查相结合，采用扣分制衡量执行情况，每周公布一次各班总分。以段为单位，每段评出星级班级一名。同时，为完善学校、大队部、班级三级检查制度，自下而上进行自主管理，自我教育。在平时，加强例会制度，加强对星级班级检查人员的培训，每周一中午在队室集中，内容有反馈分数、情况说明等。“星级班级”活动得到了班主任的重视，各个班级为了争夺优秀中队你追我赶，不甘示弱。本学期校园卫生、学生文明礼仪等各种常规表现的较好。

三、幸福教育是主题，异彩纷呈活动，为学生服务。

少先队活动是连系少年儿童与家庭、社会、学校的纽带，是少先队开展的载体，直接影响着少先队员素质的培养，我校少先队以此做为创新机制，针对每月工作重点和社会热点，有序地开展一系列层层迭起的少先队活动如：

1、利用重大节日，纪念日开展主题教育

本学期，结合本校实际，开展了系列德育活动，9月份尊师爱师、弘扬民族精神手抄报比赛、交通安全征文与手抄报比赛； 10月份庆国庆、新一入队、科技节活动； 12月份读书节活动、参加学区学生篮球比赛、庆元旦活动等；教师走万家家访与送温暖、期末班级学生评先评优等活动。我们搞的活动富有特色，队员们积极参与，充分展示了我校少先队员活泼向上的精神面貌。

2、加强家庭教育，为学生送温暖。

我校外地学生多、学生家长的素质不高，针对这种情况，学校德育领导非常重视家庭教育的指导。定期家访与召开家长会，了解学生在家情况，并在班主任工作手册中登记，及时反馈学生在校、在家表现，共同教育好学生。

4、继续推进星卡激励方案，培养队员求实奋进、开拓创新的良好品质

本学期，大队部继续组织推行“星卡激励方式”，队员们在激励的氛围中奋发向上，积极进取。针对我校少先队开展的雏鹰争章活动的实际，辅导员老师们都认为争章活动虽有趣且有益，可是队员们体验成功的见效太慢，于是我们把争章与争星卡有机地结合，建立了苹果卡、绿卡、红卡等激励星卡层出不穷，琳琅满目，款款诱人。在学习生活的任何时刻，只要是一发现队员突出的表现，我们便马上给予肯定。在此制度推行过程中，还存在这样那样的问题，特别是在执行当中教师没给学生及时发卡，或者制度落实的不实不到位，亟需改进。

5、加强卫生、安全教育活动，共创和谐校园。

学校安全工作无小事，必须加强管理，从严治教。我们要牢固树立“珍爱生命、安全第一”的观念，坚决把学生的安全放在更加重要的位置，始终保持高度的警觉，做到警钟长鸣，常抓不懈，学校与班主任分别签订安全责任书与落实学校安全预案要求。由于我校学生大部分是外来民工子女，学生的接种预防不健全，前两年均发生了水痘、风疹等传染病，由于本学期措施到位，宣传到位，卫生教育到位，大队部按照上级的指示精神，通过红领巾广播站、出黑板报、宣传资料的张贴、开展队活动等，来使队员认识到要预防传染病，就要把好“病从口入”关，注意个人卫生，饭前饭后都要洗手，讲究个人卫生，养成良好的卫生习惯，特别是本学期甲流预防工作，白海燕老师亲临学生第一线，抓晨检，量体温、搞卫生，开通风。真正做到预防甲流的各项工作。

三、搞学校特色活动，1、努力开发校本课程---大课间活动，丰富校园生活。

学校根据自身性质、特点、条件和可利用开发的资源，努力开发校本课程---大课间活动。

大课间活动是在原课间操活动的基础上，发展创新出来的一种学校课间体育活动的新内容和新组织形式。现在我们实施大课间活动后，活动时间增长了，活动的内容丰富了活动形式更加灵活多样。运动强度也更加恰当适宜。现如今对于学生来说，每天40分钟的大课间体育活动是他们一天中最为快乐的时光。（当广播员说：大课间开始，全体学生不约而同地“哇”，这正是叫出了他们那欢快的心声。）在这段时间中，学生可以自由自在地跳长短绳、滚铁环、太极拳、跳橡皮筋、踢毽子、呼啦圈、小皮球、游戏（老鹰抓小鸡、捉迷藏、大渔网、贴膏药等）趣味性跑、仰卧起坐......等十几个富有兴趣的活动项目中，他们欢快、自由地奔跑、跳跃„„全身心地投入活动中。并在体育节时对各项活动进行比赛，这样比赛与与活动相结合，快乐与运动相伴、欢乐与游戏相随，忘记了暂时的烦恼，摆脱了各种束缚，充分享受着属于他们的童趣。由于受到“甲流”的影响，在中间一个月期间，学生只能在班级里举行班级阅读活动。

三、努力方向

1.学生的常规教育，有待加强。2.理论学习还不够深入。在学习领会科学发展观的科学内涵和精神实质方面，还不够深刻、全面，还没有形成战略思维和全局眼光，做到跳出过去看未来，以发展的眼光看待推进学校工作。

3、继续开发校本课程---大课间活动，要创自己的特色与品牌。回顾本学期的少先队工作，我们一步一个脚印地走了过来，取得了一些成绩，在创新中求实，在求实中创新，面临挑战，我们将一如既往的踏实工作，只有不断总结，不断挑战，才会不断有收获。在今后的工作中，我们会更加努力，力争再创新辉煌。

第五篇：2006-2007第一期总结

王家沟小学

2006-2007学第一学期工作总结

本期来，我校要在县局和学区的领导下，认真学习贯彻县、镇两级教育工作会议精神，全面贯彻党的教育方针，努力端正办学方向；继续增进科学管理，全面实施三制改革；积极进行课改实验，全面实施素质教育；切实加强教学常规，努力提高教育质量；实施远程教育工程，不断改善办学条件，使学校各项工作取得新的成绩。

（一）坚持依法治校，增进科学管理。

1、加强制度建设。本期要对学校全面实施校长负责制、教师聘任制和校内结构工资制，对原有制度进一步修订补充完善，特别是引入新的评价考核办法，使制度更加全面、客观、实在，并坚持抓好制度落实。对违犯制度的人和事要按制度规定批评教育，严肃处理，使学校管理进一步制度化、科学化、规范化。

2、加强“三风”建设。本期学校要把“三风”建设作为重点工作，深入抓，经常抓，反复抓，集中抓。开学后和中考后要各利用四周时间进行“三风”整顿，学校平时也要对“三风”常检查，常督促，并组织社会、家长、教师和学生对三风进行评议，并积极接受师生和社会各界的监督和批评。

3、加强班子建设。学校班子成员能高标准，严要求，身体力行，以身作则，率先垂范，为人师表，相互配合，通力合作，平时多学习，多调研，多交流，努力提高自身业务能力和管理水平。

4、坚持“三个公开”。本期学校进一步开展校务、政务、财务“三个公开”制度和收费公示制度，校园设立意见箱，开通校长举报电话和热线电话，设立校长及班子成员接待日制度，自觉接受全体师生及各级组织、人民群众的批评和监督，不断倾听群众意见，改进工作作风。

（二）坚持以人为本，加强队伍建设。

1、加强教师职业道德教育。本期学校把教师职业道德教育进一步规范化、经常化、具体化，坚持经常抓、反复抓，做到外树形象，内强素质，为人师表，教书育人。对教职工中违反师德的人和事要坚持批评教育，谈话诫勉。教师师德优秀率在90%以上。

2、抓好青年教师的教育培养工作。学校青年教师人数多，教学热情高，信心足，但工作经验及方法比较欠缺。学校班子针对这一实际，对青年教师进行重点帮扶，进行个别谈心，集体谈话，组织学习培训，对青年教师多鼓励，严要求，对出现的问题及时处理，即使解决，限期整改，提高了青年教师的业务素质和业务能力。

3、加强教师的校本培训工作，提高教师的业务能力和水平。本期共组织各类集体培训15次30课时，教师利用课余时间，保证了每天1小时的业务自学时间通过学习培训，教师的整体素质有了较大提高。

（三）加强德育工作，坚持以德治校。

1、加强教师政治理论学习和法制学习。本期坚持每周1次2小时集体学习和每天1小时个人自学，学校定期开展研讨交流，总结评比，检查考核。通过学习，提高教师的政治理论水平。

2、加强未成年人思想道德教育和法制纪律教育，防止青少年违法犯罪，培养学生健康成长。学校先后召开各类专题报告会、学生家长会、主题班队会共计17次，参与的学生家长643人次。

3、抓好学生的思想品德教育。一是开好班会课，确保班会课的数量和质量，并把班会课纳入常规工作考核；二是要抓好学生文明礼貌、行为习惯的养成教育；三是要利用少先队组织开展行之有效的教育活动；四是要加强学生的法制安全教育；五是学校、家庭、社会相互配合，建立家校联系机制，共同教育好学生。本期学生品德合格率为99.6%，优秀率为84.7%。

4、抓好学困生的转化工作。本期学校及科任教师要把学困生的分类转化当作一项主要任务抓紧抓好。学校教导处、年级组、课题组要定期组织交流研讨。班主任、科任教师要采取有效措施，实施分类转化。本期学困生的转化率达到71。3%。

5、积极发挥少先队组织作用，积极开展各类有益的活动。本期少先大队举办各类活动7次，特别是文化周文艺会演、国庆文艺汇演、学生普通话演讲活动取得了圆满成功，受到各级组织几社会各界的好评。

6、狠抓学生学风学纪教育，培养学生良好的行为习惯。本期开学初开展了为期40天的学风整顿月活动，中考后有开展了为期4周的学风提高月活动，组织检查评比19次。

（四）落实教学常规，提高教学质量。

1、强化质量意识，坚持质量第一的思想不动摇。在全体师生中树立质量第一的思想，把质量作为立校之本，形成人人抓质量的校园氛围。

—2—

2、落实教学常规。本期学校教导处要在落实学校教学工作常规上下功夫，做文章。除继续抓好基础课教学常规工作外，对非基础课要定内容、定目标、定任务、定要求、定奖惩，和基础课一样要求，同等对待，保证所有课程开得齐，上得好。以此端正办学行为，提高办学效益。

3、加强课堂教学。本期我们仍将课堂教学作为提高教学质量的主要途径，进一步加强课堂教学，改革教学方法，优化课堂结构，提高课堂效益。学校教导处组织优质课赛教26节，示范课教学11节，进一步促进课堂教学的优化和改进。

4、突出两个重点。本期教学质量建设的两项重点是新课程改革实验和基础课质量的提高。学校组织召开实验班科任教师会、基础课质量研讨会、年级组工作会15次，共同交流，共同提高，以此来提高学校的整体教学质量，力争使全校整体质量稳中有升。

5、强化过程管理，优化教学过程。学校教导处狠抓教学过程的优化和管理，并把教学过程纳入教师综合考核，坚持严细勤实，坚持检查考核，坚持向过程和环节要质量。

（四）立足校本培训，开展教研活动。

1、抓好校本培训工作。本期学校对教师的教学基本功组织全面的培训和评赛活动，培训时间达到4０课时，使教师的参训率达到95%以上，优秀率达到70%以上，并对评赛优胜者予以表彰奖励。对基本功较差的重点培训，限期提高，促使教师教学水平的提高。

2、抓好新课程学习培训工作。本期组织教师深入反复学习新课程改革实施方案，组织开展新课程的学习培训工作。培训工作要立足校情，抓住重点，培养骨干，典型引路，全员参与，全面提高。每周培训不少于2课时，同时还积极选派部分优秀教师参加市县培训。

3、开展好课题研讨活动。目前我校承担两项县级课题的研究工作。本期教导处在抓好“两项优化”活动的基础上，继续抓好课题研究工作。教师人人有课题，人人搞实验，按照课题实施方案，有计划、有步骤地抓好了课题计划制定、组织实施和阶段小结，使课题研讨和“两项优化”活动相互促进，相得益彰。两项县级课题顺利通过验收，评为优秀和良好课题，王家沟小学

二00七年一月十日

—3—