0
Kaggle竞赛

比赛页面:https://www.kaggle.com/c/titanic

Titanic大概是kaggle上最受欢迎的项目了,有7000多支队伍参加,多年来诞生了无数关于该比赛的经验分享。正是由于前人们的无私奉献,我才能无痛完成本篇。

事实上kaggle上的很多kernel都聚焦于某个特定的层面(比如提取某个不为人知的特征、使用超复杂的算法、专做EDA画图之类的),当然因为这些作者本身大都是大神级别的,所以平日里喜欢钻研一些奇淫巧技。而我目前阶段更加注重一些整体流程化的方面,因此这篇提供了一个端到端的解决方案。

关于Titanic,这里先贴一段比赛介绍:

The sinking of the RMS Titanic is one of the most infamous shipwrecks in history. On April 15, 1912, during her maiden voyage, the Titanic sank after colliding with an iceberg, killing 1502 out of 2224 passengers and crew. This sensational tragedy shocked the international community and led to better safety regulations for ships.

One of the reasons that the shipwreck led to such loss of life was that there were not enough lifeboats for the passengers and crew. Although there was some element of luck involved in surviving the sinking, some groups of people were more likely to survive than others, such as women, children, and the upper-class.

In this challenge, we ask you to complete the analysis of what sorts of people were likely to survive. In particular, we ask you to apply the tools of machine learning to predict which passengers survived the tragedy.

主要是让参赛选手根据训练集中的乘客数据和存活情况进行建模,进而使用模型预测测试集中的乘客是否会存活。乘客特征总共有11个,以下列出。当然也可以根据情况自己生成新特征,这就是特征工程(feature engineering)要做的事情了。

PassengerId=> 乘客ID
Pclass=> 客舱等级(1/2/3等舱位)
Name=> 乘客姓名
Sex=> 性别
Age=> 年龄
SibSp=> 兄弟姐妹数/配偶数
Parch=> 父母数/子女数
Ticket=> 船票编号
Fare=> 船票价格
Cabin=> 客舱号
Embarked=> 登船港口

总的来说Titanic和其他比赛比起来数据量算是很小的了,训练集合测试集加起来总共891+418=1309个。因为数据少,所以很容易过拟合(overfitting),一些算法如GradientBoostingTree的树的数量就不能太多,需要在调参的时候多加注意。

下面我先列出目录,然后挑几个关键的点说明一下:

数据清洗(Data Cleaning)
探索性可视化(Exploratory Visualization)
特征工程(Feature Engineering)
基本建模&评估(Basic Modeling & Evaluation)
参数调整(Hyperparameters Tuning)
集成方法(Ensemble Methods)

1 full.isnull().sum()

  

首先来看缺失数据,上图显示Age,Cabin,Embarked,Fare这些变量存在缺失值(Survived是预测值)。其中Embarked和Fare的缺失值较少,可以直接用众数和中位数插补。

Cabin的缺失值较多,可以考虑比较有Cabin数据和无Cabin数据的乘客存活情况。

1 pd.pivot_table(full,index=[‘Cabin’],values=[‘Survived’]).plot.bar(figsize=(8,5))
2 plt.title(‘Survival Rate’)

上面一张图显示在有Cabin数据的乘客的存活率远高于无Cabin数据的乘客,所以我们可以将Cabin的有无数据作为一个特征。

Age的缺失值有263个,网上有人说直接根据其他变量用回归模型预测Age的缺失值,我把训练集分成两份测试了一下,效果并不好,可能是因为Age和其他变量没有很强的相关性,从下面这张相关系数图也能看得出来。

所以这里采用的的方法是先根据‘Name’提取‘Title’,再用‘Title’的中位数对‘Age‘进行插补:

1 full[‘Title’]=full[‘Name’].apply(lambda x: x.split(‘,’)[1].split(‘.’)[0].strip())
2 full.Title.value_counts()

Title中的Master主要代表little boy,然而却没有代表little girl的Title,由于小孩的生存率往往较高,所以有必要找出哪些是little girl,再填补Age的缺失值。

先假设little girl都没结婚(一般情况下该假设都成立),所以little girl肯定都包含在Miss里面。little boy(Master)的年龄最大值为14岁,所以相应的可以设定年龄小于等于14岁的Miss为little girl。对于年龄缺失的Miss,可以用(Parch!=0)来判定是否为little girl,因为little girl往往是家长陪同上船,不会一个人去。

以下代码创建了“Girl”的Title,并以Title各自的中位数填补Age缺失值。

1 def girl(aa):
2 if (aa.Age!=999)&(aa.Title==’Miss’)&(aa.Age<=14): 3 return 'Girl' 4 elif (aa.Age==999)&(aa.Title=='Miss')&(aa.Parch!=0): 5 return 'Girl' 6 else: 7 return aa.Title 8 9 full['Title']=full.apply(girl,axis=1) 10 11 Tit=['Mr','Miss','Mrs','Master','Girl','Rareman','Rarewoman'] 12 for i in Tit: 13 full.loc[(full.Age==999)&(full.Title==i),'Age']=full.loc[full.Title==i,'Age'].median() 至此,数据中已无缺失值。 普遍认为泰坦尼克号中女人的存活率远高于男人,如下图所示: 1 pd.crosstab(full.Sex,full.Survived).plot.bar(stacked=True,figsize=(8,5),color=['#4169E1','#FF00FF']) 2 plt.xticks(rotation=0,size='large') 3 plt.legend(bbox_to_anchor=(0.55,0.9)) 下图显示年龄与存活人数的关系,可以看出小于5岁的小孩存活率很高。 客舱等级(Pclass)自然也与存活率有很大关系,下图显示1号仓的存活情况最好,3号仓最差。 1 fig,axes=plt.subplots(2,3,figsize=(15,8)) 2 Sex1=['male','female'] 3 for i,ax in zip(Sex1,axes): 4 for j,pp in zip(range(1,4),ax): 5 PclassSex=full[(full.Sex==i)&(full.Pclass==j)]['Survived'].value_counts().sort_index(ascending=False) 6 pp.bar(range(len(PclassSex)),PclassSex,label=(i,'Class'+str(j))) 7 pp.set_xticks((0,1)) 8 pp.set_xticklabels(('Survived','Dead')) 9 pp.legend(bbox_to_anchor=(0.6,1.1)) 我将‘Title‘、’Pclass‘,’Parch‘三个变量结合起来画了这张图,以平均存活率的降序排列,然后以80%存活率和50%存活率来划分等级(1,2,3),产生新的’MPPS‘特征。 1 TPP.plot(kind='bar',figsize=(16,10)) 2 plt.xticks(rotation=40) 3 plt.axhline(0.8,color='#BA55D3') 4 plt.axhline(0.5,color='#BA55D3') 5 plt.annotate('80% survival rate',xy=(30,0.81),xytext=(32,0.85),arrowprops=dict(facecolor='#BA55D3',shrink=0.05)) 6 plt.annotate('50% survival rate',xy=(32,0.51),xytext=(34,0.54),arrowprops=dict(facecolor='#BA55D3',shrink=0.05)) 选择了7个算法,分别做交叉验证(cross-validation)来评估效果: K近邻(k-Nearest Neighbors) 逻辑回归(Logistic Regression) 朴素贝叶斯分类器(Naive Bayes classifier) 决策树(Decision Tree) 随机森林(Random Forest) 梯度提升树(Gradient Boosting Decision Tree) 支持向量机(Support Vector Machine) 由于K近邻和支持向量机对数据的scale敏感,所以先进行标准化(standard-scaling): 1 from sklearn.preprocessing import StandardScaler 2 scaler=StandardScaler() 3 X_scaled=scaler.fit(X).transform(X) 4 test_X_scaled=scaler.fit(X).transform(test_X) 最后的评估结果如下: 逻辑回归,梯度提升树和支持向量机的效果相对较好。 1 # used scaled data 2 names=['KNN','LR','NB','Tree','RF','GDBT','SVM'] 3 for name, model in zip(names,models): 4 score=cross_val_score(model,X_scaled,y,cv=5) 5 print("{}:{},{}".format(name,score.mean(),score)) 接下来可以挑选一个模型进行错误分析,提取该模型中错分类的观测值,寻找其中规律进而提取新的特征,以图提高整体准确率。 用sklearn中的KFold将训练集分为10份,分别提取10份数据中错分类观测值的索引,最后再整合到一块。 1 # extract the indices of misclassified observations 2 rr=[] 3 for train_index, val_index in kf.split(X): 4 pred=model.fit(X.ix[train_index],y[train_index]).predict(X.ix[val_index]) 5 rr.append(y[val_index][pred!=y[val_index]].index.values) 6 7 # combine all the indices 8 whole_index=np.concatenate(rr) 9 len(whole_index) 先查看错分类观测值的整体情况: 下面通过分组分析可发现:错分类的观测值中男性存活率高达83%,女性的存活率则均不到50%,这与我们之前认为的女性存活率远高于男性不符,可见不论在男性和女性中都存在一些特例,而模型并没有从现有特征中学习到这些。 通过进一步分析我最后新加了个名为”MPPS”的特征。 1 full.loc[(full.Title=='Mr')&(full.Pclass==1)&(full.Parch==0)&((full.SibSp==0)|(full.SibSp==1)),'MPPS']=1 2 full.loc[(full.Title=='Mr')&(full.Pclass!=1)&(full.Parch==0)&(full.SibSp==0),'MPPS']=2 3 full.loc[(full.Title=='Miss')&(full.Pclass==3)&(full.Parch==0)&(full.SibSp==0),'MPPS']=3 4 full.MPPS.fillna(4,inplace=True) 这部分没什么好说的,选定几个参数用grid search死命调就是了~ 1 param_grid={'n_estimators':[100,120,140,160],'learning_rate':[0.05,0.08,0.1,0.12],'max_depth':[3,4]} 2 grid_search=GridSearchCV(GradientBoostingClassifier(),param_grid,cv=5) 3 4 grid_search.fit(X_scaled,y) 5 6 grid_search.best_params_,grid_search.best_score_ ({'learning_rate': 0.12, 'max_depth': 4, 'n_estimators': 100}, 0.85072951739618408) 通过调参,Gradient Boosting Decision Tree能达到85%的交叉验证准确率,迄今为止最高。 我用了三种集成方法:Bagging、VotingClassifier、Stacking。 调参过的单个算法和Bagging以及VotingClassifier的总体比较如下: 1 names=['KNN','LR','NB','CART','RF','GBT','SVM','VC_hard','VC_soft','VCW_hard','VCW_soft','Bagging'] 2 for name,model in zip(names,models): 3 score=cross_val_score(model,X_scaled,y,cv=5) 4 print("{}: {},{}".format(name,score.mean(),score)) scikit-learn中目前没有stacking的实现方法,所以我参照了这两篇文章中的实现方法: https://dnc1994.com/2016/04/rank-10-percent-in-first-kaggle-competition/ https://www.kaggle.com/arthurtok/introduction-to-ensembling-stacking-in-python 我用了逻辑回归、K近邻、支持向量机、梯度提升树作为第一层模型,随机森林作为第二层模型。 1 from sklearn.model_selection import StratifiedKFold 2 n_train=train.shape[0] 3 n_test=test.shape[0] 4 kf=StratifiedKFold(n_splits=5,random_state=1,shuffle=True) 5 6 def get_oof(clf,X,y,test_X): 7 oof_train=np.zeros((n_train,)) 8 oof_test_mean=np.zeros((n_test,)) 9 oof_test_single=np.empty((5,n_test)) 10 for i, (train_index,val_index) in enumerate(kf.split(X,y)): 11 kf_X_train=X[train_index] 12 kf_y_train=y[train_index] 13 kf_X_val=X[val_index] 14 15 clf.fit(kf_X_train,kf_y_train) 16 17 oof_train[val_index]=clf.predict(kf_X_val) 18 oof_test_single[i,:]=clf.predict(test_X) 19 oof_test_mean=oof_test_single.mean(axis=0) 20 return oof_train.reshape(-1,1), oof_test_mean.reshape(-1,1) 21 22 LR_train,LR_test=get_oof(LogisticRegression(C=0.06),X_scaled,y,test_X_scaled) 23 KNN_train,KNN_test=get_oof(KNeighborsClassifier(n_neighbors=8),X_scaled,y,test_X_scaled) 24 SVM_train,SVM_test=get_oof(SVC(C=4,gamma=0.015),X_scaled,y,test_X_scaled) 25 GBDT_train,GBDT_test=get_oof(GradientBoostingClassifier(n_estimators=120,learning_rate=0.12,max_depth=4),X_scaled,y,test_X_scaled) 26 27 stack_score=cross_val_score(RandomForestClassifier(n_estimators=1000),X_stack,y_stack,cv=5) 28 # cross-validation score of stacking 29 stack_score.mean(),stack_score Stacking的最终结果: 0.84069254167070062, array([ 0.84916201, 0.79888268, 0.85393258, 0.83707865, 0.86440678])) 总的来说根据交叉验证的结果,集成算法并没有比单个算法提升太多,原因可能是: 开头所说Titanic这个数据集太小,模型没有得到充分的训练 集成方法中子模型的相关性太强 集成方法可能本身也需要调参 我实现的方法错了??? 最后是提交结果: 1 pred=RandomForestClassifier(n_estimators=500).fit(X_stack,y_stack).predict(X_test_stack) 2 tt=pd.DataFrame({'PassengerId':test.PassengerId,'Survived':pred}) 3 tt.to_csv('submission.csv',index=False)

0
新高考方案, 江苏新高考打破文理科的壁垒!选科,请三思!

注:新高考实施时间是指高考的时间

划重点!南京家长注意:江苏实行新高考是在第三批,即2018年启动!也就是说,将从今年9月入学的高一新生开始,2021年高考首次实施!

江苏高考:现行方案 VS 改革方案

1、江苏高考现行方案

官方,称“3+学业水平测试+综合素质评价”模式;

俗称,称“3+2”模式;参考高考录取、实际有效分值,可称“3+2+4”模式。

“3”:语文、数学、外语,三门统考;

语文、数学各160分,外语120分,理科生数学设40分附加题,文科生语文设40分附加题,即语文、数学总分各200分;

故,总分值,计为480分。

“学业水平测试”:政治、历史、地理、物理、化学、生物、信息技术,共计7门,其中——

选测科目,2门:

各科满分为120分;

文科考生选择历史科目外,在政治、地理、化学、生物四门中再选择一门;

理科考生选择物理科目外,在政治、地理、化学、生物四门中再选择一门;

根据比例划分6个等级:A+,前5%(含5%);A,5%-20%(含20%);B+,20%-30%(含30%);B,30%-50%(含50%);C,50%-90%(含90%);D,90%以后;

相应学校相应专业,在3门成绩之外,对选测科目达到具体等级有明确要求;

选测科目成绩,当年有效。

必测科目,5门:

7门科目中,选定2门选测科目之外的5门为必测科目;

除信息技术科目之外,其他4门,高二下学期进行考试,又被称为“小高考”、“小四门”;

信息技术科目分为合格、不合格,不合格视为等级D;

其余4门,各科满分为100分。根据分数划分4个等级:A,100分-90分;B,89分-75分;C,74分-60分;D,59分及其以下;

小四门,获得1个A累加1分,达4个A加5分;

必测科目,从应届高考之年起,三年有效。

体育类、艺术类考生如不兼报文科类或理科类,必须参加全部七门科目的学业水平必修科目测试;考生如兼报文科类或理科类,须参加相应的选修科目测试,其学业水平测试科目及等级要求与文科类或理科类考生一致。

“综合素质评价”:分数、等级考核之外,录取参考。

2、改革新方案

“3+3”模式,即3门必考+3门任选,其中——

必考科目,语文、数学、英语;

任选科目,物理、化学、生物、历史、政治、地理六门科目中,任选3门考试,计入总分。

各科目分值未定,预计在700分左右。

另,由原来的学生外语科目只能考一次改为学生可以参加两次考试,取最好成绩计入高考总成绩。

高考新方案实施,“小高考”和现行相比将发生变化。

“小高考”将开齐开足学业水平考试科目,《普通高中课程方案(实验)》所设定的13门科目均列入必考科目范围,考生在高中期间可以享受同一必考科目参加两次考试的机会。

3+「6选3」是怎么回事?

在新高考改革中,打破文理分科的“3+「6选3」”模式格外吸引眼球。

这里——

“3”代表语文、数学、外语3门高考核心科目,

“6选3”则是由学生从其他6门科目中选择的3门科目。

相较于以往“3+X”的考试形式,“3+「6选3」”形式打破了文理科的壁垒,可以说真正意义上实现了从“享用”文综、理综“套餐”,到3科自主搭配“自助餐”的转变,这样的改革,具体带来了如下的变化:

01

录取模式

由原来“依据高考统考科目成绩”改为“两依据、一参考”,即依据3门统考科目和3门选考科目成绩,再参考学生综合素质评价结果(包括学生思想品德、学业水平、身心健康、艺术素养、社会实践等5个方面)。

02

考试科目

取消文理分科,由原来的语文、数学、外语、文(理)科综合科目改为语文、数学、外语3门统考科目和3门选考科目。语数外各科满分仍为150分。

03

考试时间

由原来的6月一次性进行所有科目统一考试改为分两次进行:选考科目在高三第二学期高考前,统考科目仍在6月。

04

外语考试

由原来的学生外语科目只能考一次改为学生可以参加两次考试,取最好成绩计入高考总成绩。

05

计分方式

考试总成绩由原来的各科成绩直接累加改为语文、数学、外语3门统一高考成绩加上3门选考科目按等级折算的相应分数。

改革后,考生总成绩由语数外3个科目(必考科目)成绩和高中学业水平考试3个科目(选考科目)成绩组成。

3个选考科目由考生根据本人兴趣特长和拟报考学校及专业要求,从思想政治、历史、地理、物理、化学、生物等普通高中学业水平考试科目中选择,成绩按等级赋分。

根据规定,选考科目实行全省统一命题、统一组织考试、统一评卷、统一公布成绩,确保考试成绩真实可信。

大学专业如何选?

由于选考已不分文理科,招生录取也不再有文理之分,而是分为普通类(分提前录取和平行录取)、艺术类、体育类几个大类。

其中,普通类也不再分一、二、三批次,而是根据实际参加考试的人数和考生高考总分,分成三段来填报志愿和录取。

三段比例为实考人数的20%、60%(累计)、90%(累计)。

江苏暂未启动,先看看浙江省是怎么做的——

专业平行志愿设一个录取批次,实行专业平行志愿。考生志愿由“专业+学校”组成,一所学校的一个专业作为一个志愿单位。考生每次可填报不超过80个专业志愿。

不再设专业服从调剂志愿。视平行志愿录取情况决定是否征求志愿。定向招生等有特殊要求的少量学校、专业(类)经同意后可实行提前录取。

也即是,以往的平行志愿是以分数优先、尊重志愿为原则;而专业平行志愿则在平行志愿的基础上考虑专业优先录取,所有志愿原则上都由学生根据自己的兴趣和能力进行选择,基本不会出现不得不调剂到自己不喜欢的专业的情况了。

大学规划,从高一开始!

高考改革在9月正式推动后,把人生选择前置,学生从高二,甚至高一就得开始考虑毕业后的方向。

因此,如何最大限度地利用这三年时间做好生涯规划,成为更好的自己,为最终的选择做好准备,便显得比以往更为重要。

新高考既然把原来高三才面临的选专业问题前置到了高一,那么选科对高中生而言,无疑是一场博弈,是选择自己擅长的科目还是便于填志愿的科目?

究其本质,我们得先了解自己,了解自己的兴趣所在,了解自己最擅长的是什么。未来要读什么专业,与选科关系紧密。

高一上:

适应高中生活,探索自身特点

高一下:

夯实科目基础,认知专业大类

高二上:

学好各科科目,进行背景提升

高二下:

顺利完成学考,认知细分专业

高三上:

探索自主招生,备战选考科目

高三下:

冲刺高考考试,学习志愿填报

选科,请三思!

“3+「6选3」”的模式,也就是除了语数外三科,学生们还要根据自己的特长、爱好等分别从物理、化学、生物、政治、历史、地理6门科目中选出3门作为选考科目,于是产生了20种组合选考方式。

从2017年第一批新高考试点地区浙江、上海来看,物理因为难度高,被很多学生打进“冷宫”,结果去年高考更容易被重点大学好专业录取的恰巧是那些选了物理并发挥不错的考生。

可见,选科与高考填报大学、专业有紧密的联系,因此,各个学科对应能选哪些专业,我们都应提前做了解,以下再给大家一些参考。

物理学与信息技术、新材料技术、新能源技术、航空航天技术、生物技术等有重要作用,想在未来从事上述相关行业,就必须学好物理。

化学已成为生命科学、材料科学、环境科学、能源科学、信息科学等领域的重要基础。

生物科学是自然科学中的基础学科之一,是研究生物现象和生命活动规律的一门科学。它是农、林、牧、副、渔、医药卫生、环境保护及其他有关应用科学的基础。

思想政治与教育学、文学经管等方面的专业有很大的关联!

历史必修课学习,使学生学会从不同角度认识历史发展中全局与局部、历史与现实、中国与世界的内在联系;培养学生从不同视角发现、分析和解决问题的能力,提高人文素养,形成正确的世界观、人生观和价值观。

通过选修课的学习,让学生更好地发现自己的兴趣,从而学会学习、学会独立、学会生存。

地理学是研究地理环境以及人类活动与地理环境相互关系的科学。地理学在现代科学体系中占有重要地位,在解决当代人口、资源、环境和发展等问题中具有重要作用。

×不推荐的学科组合——

01

历史+政治+地理

理由:专业选择严重受限

传统的三门纯文科组合。这个组合的最大缺点就是专业选择严重受限!

因为不少高校专业和学院的要求是必须要搭一门理科,所以一门理科都不搭的纯文科组合在专业上就受到很大限制。

02

物理+化学+历史

理由:竞争太激烈

物理+化学+历史是一种偏理科的选择,是很多学生愿意选的组合,但也是所有20种选择里难度最大的一种组合。

为什么这3门组合选的人最多?

因为物理,化学有中考基础,初高中学习是一直贯通的;而历史比之政治更方便记忆和发挥。也正因为如此,很多高中这三门课的师资力量也都是比较强的。

正因为选的人多,无论对于名校生还是对于一般生而言,这套组合都极有可能因为碰到太多强手而造成翻船的情况。

这是因为高中学业水平考试选考成绩不是用的原始分数,而是根据考生成绩在整个考生群体中的排位换算的等级分。

选考的人多,拿高等级分的可能性就越小!换言之,在这3个科目上也是最容易遇到强手的,那么同时报考这3个科目,就算是再强的学生,要全拿A,甚至拿2A1B,都有点危险!而很多知名大学明确要求3科必须A!

03

地理+生物+政治

理由:大学难以衔接

这个组合其实就是把上面那组反过来,也是原来高考文理综三门里比较冷门的科目,属于两文一理组合。

这个组合有个很大的问题,就是和大学课程很难衔接上,除了一些生物相关类专业外,大学许多理工科专业都需要一定的物理、化学知识,文科类专业都需要一定的历史知识,因为“文史哲不分家”嘛。

此外,由于这三门课比较冷门,好老师几乎都集中在高中名校里,一般高中师资都比较一般。因此特别容易撞上名校生,进而形成激烈的竞争。

各地新高考有哪些不一样?

今天,我们就从高考科目与分值来分析各地高考综合改革情况:

01

相同点——

(1)均不分文理

(2)均设置“3+3”的考试科目

(3)各科目考试次数

02

不同点——

(1)考试机会

在“3+3”科目设置里,浙江除外语科目外,3门选考科目均一年两考,每个学生最多有两次机会;

其他省目前对外语科目提供两次机会,很多省份均表示要创造条件增加提供两次机会的科目。

(2)学考和选考的等级和赋分办法

合格性考试的等级:

浙江全部10个“高中学考”全省统考科目(技术把信息技术和通用技术合为1科)均设 ABCDE 5个等级。

其他省级行政区域的“合格性考试”均设“合格”“不合格”2个等级。

有的省级行政区域表示在特殊情况下,把合格性考试成绩以原始成绩形式使用。如宁夏明确:“合格性考试成绩作为普通高中毕业或高中同等学力认定依据时,以合格和不合格两种方式呈现;作为高职院校分类考试招生录取依据时,以原始分提供高校录取使用”。

等级性考试的级别和赋分:

除先行试点的上海、浙江均采用按等级赋分的办法外,

有的(如天津、宁夏)在文件中明确表述等级性考试按ABCDE 5等21级赋分,计入高考总成绩的3科每科满分100分,高考招生总分满分750分;

有的未明确分几个等级,但明确了计入高考总成绩的3科每科满分100分,高考招生总分满分750分;

西藏和上海一样,计入高考总成绩的3科等级性考试“每门满分70分”“高校招生录取总成绩总分满分为660分”。

高考改革对什么样的学生最有利?

(1)自律、有自主学习能力的学生

选修课程的自由组合,使得大部分学校必须引入走班制,学生时间会变得相对自由,来自老师的约束和鞭策会变少(类似于大学)。对于习惯了被动学习、只等老师耳提面命才能有点动力的学生来说,这显然是不利的。因此,在高中培养自主学习的能力是首要任务。

(2)善于把握时间,学习效率高的学生

由于很多科目提前高考,教学进度被压缩,学生要在更短的时间内学完高中的课程,因此就要求学生保持较高的学习效率。

(3)有专长或几门擅长科目的学生

除了语数外,新的高考不强制选择文理,学生在避开不擅长的学科的同时,还可以根据兴趣,选择自己擅长的学科。如果对某些学科有浓厚的兴趣,其实不妨早做准备,在高一甚至初中起就开始自学,阅读大量的书籍,报一些线上或线下的培训班。如果能在这些学科领先同龄人一截,甚至获得一些竞赛名次,那么在高考中会有很明显的优势。有专长的学生也可以冲击高校的自主招生。如果只依靠学校的统一授课,被老师的教学进度赶着走,在高考中是非常被动的。

(4)有比较明确的职业规划的学生

实行6选3以后,高校部分专业对考试科目是有要求的,比如大部分理工科专业要求物理成绩,如果不选考物理,那么就等于和这些专业无缘。因此对于早就想好未来学业和职业规划的学生,会提前准备高中要走的路。而那些高一高二随大流,到临近高考或者考后才去思考大学专业的同学,通常会手足无措。返回搜狐,查看更多

0
超强台风明天杀到!大连启动防台风Ⅲ级应急响应!

还记得前天,

小编说台风”玲玲”要来了吗!

不管你信不信,小编信了!

@大连气象 今天上午 10:46 发布消息:

【受台风”玲玲”影响我市将迎风雨】

今年第 13 号台风”玲玲”将在 7-8 日给大连地区带来较强的风雨影响。预计 7 日早晨到 8 日早晨,旅顺、瓦房店、长兴岛中雨,大连市区、金普新区、普兰店西部中雨到大雨,庄河、长海、普兰店东部大雨到暴雨,局部大暴雨。主要降雨时段在 7 日中午至 8 日凌晨。7 日早晨至 8 日上午,我市及周边海域还将出现大风天气,黄海北部最大风力可达 9~10 级,阵风 11~13 级,陆地可达 7~8 级,阵风 9~10 级;8 日早晨风力开始减弱。目前”玲玲”移动路径预报及对我市的风雨影响还存在不确定性,气象部门将密切监视天气形势演变,请大家及时关注。

15:52,@大连气象 发布大风黄色预警

16:43,@大连气象 发布地质灾害风险黄色预警

来看看玲玲经过的地方变成什么样了!

名字听着挺活泼可爱,

这威力是一点不小啊!

还有件事你得知道!

这周末

以下这些地方要停水 24 小时!

↓↓↓

因城市供水管网建设工程的需要

9 月 7 日 20:00 至 8 日 20:00

长江路两侧(吉庆街至普照街),普照街两侧,吉庆街两侧,保安街,新安街,天津街等周边区域停水或降压。

未来几天的天气:

8 日:

多云转晴,21 ℃~28 ℃,相对湿度:60%~85%,西北风 5~6 级转偏南风 4~5 级

9 日:

晴间多云 20 ℃~27 ℃ 相对湿度:45%~80%

偏北风 4~5 级增强到 5~6 级

快讯!本市发布海洋灾害预警报

记者从市自然资源局了解到,9 月 6 日大连市海洋预报台分别于 10 时和 11 时发布海浪蓝色警报和风暴潮消息 : 受今年第 13 号台风”玲玲”(超强台风级)的影响,预计 7 日凌晨至夜间,黄海北部将出现 4.0-5.5 米的巨浪,渤海海峡将出现 3.5-4.5 米的大浪到巨浪,辽东半岛东部沿海将出现 2.5-3.4 米的大浪。

预计 9 月 7 日辽东半岛南部沿岸将出现一次台风风暴潮过程。

市自然资源局会同海洋预报台第一时间向市防汛抗旱指挥部、市应急管理局及相关单位发送了海浪蓝色预警信息和风暴潮消息。

该局按照《大连市防御台风应急预案》的相关规定,组织市海洋预报台做好海洋自然灾害应急监测和预警报信息发布工作。

请有关单位注意海上作业安全,做好防护措施,并关注海洋预报台后续海洋灾害预警报。

半岛晨报、39 度视频首席记者王博文

这个周末,

伙伴们就尽量就别出门嘚瑟了哈,

出门也记得带伞!

今天下班就赶紧回家吧!

最新消息

市防汛抗旱指挥部于 6 日 17 时启动全市防御台风Ⅲ级应急响应

9 月 6 日 14 时 20 分,市防指召开汛情会商会议,分析研判台风影响及汛情发展趋势,研究制定应对措施。会商认为——

一要高度重视防范大风工作,台风进入黄海时,强度仍可达台风级到强热带风暴级,要特别加强黄海北部海域港口码头、涉海旅游景区、海上船舶、城区建筑工地、高空构筑物的防风工作;

二要加强强降雨防御工作,特别是庄河市、普兰店区、长海县等地雨量可能偏大,加上 4 日至 5 日我市北部地区强降雨叠加效应,可能引发的洪涝、山洪地质灾害。

16 时,在收视全省防御台风工作视频会议后,市防指接续召开全市防御台风工作会议,对全市防御台风工作作出全面部署。会议要求——

一要加强预报预警,密切监视台风移动路径、强度变化、降雨范围和海浪增高区等情况,提高预测预报精度、延长预见期,为防汛决策和调度提供支撑。要充分利用各类媒体、各种手段,提前发布灾害性预警信息,确保全覆盖。

二要做好群众避险转移,突出抓好船只回港避风、海上作业人员和近海渔排养殖人员上岸避险工作,全力做好低洼易涝区、地质灾害隐患点、危房险房、旅游景区、在建工地等重点区域人员转移安置工作。

三要做好重点部位隐患排查,加强高危企业和重要基础设施的防洪保安工作,对广告牌、玻璃幕墙等高空构筑物及塔吊、围墙、行道树等易倒伏物进行加固或拆除。

四要加强水库、河道调度防守,突出抓好水库、水闸、河道堤防等水利工程设施的安全管理和防洪调度。

五要加强海上防台保安,突出抓好船只靠港避风、海上作业人员和近海渔排养殖人员上岸避险,做到船进港、人上岸;陆岛运输船舶停航避风,沿海旅游景区适时关闭。

六要加强山洪防御工作,充分发挥专群结合、群测群防体系作用,及时发布灾害预警信息,做好组织群众避险工作,特别要落实好城乡中小学校防御山洪的各项措施,适时关闭山区各旅游景区、景点,做好尾矿库防守。

七要加强城区防台工作,落实应急排涝和关停管控措施,落实城区河道、低洼易涝地区、地下商场以及地铁、机场、下沉式立交桥等主要交通枢纽的防洪排涝措施,避免人员伤亡和重大财产损失。

来源:半岛晨报综合 @大连气象、辽宁气象服务、中央气象台、@辽宁气象、大连自来水、大连发布

0
三鹿奶粉 免费编辑 添加义项名

坚持科技进步、品牌制胜。企业通过了ISO9001、ISO14001认证、GMP审核和HACCP认证,获国家实验室认可证书、国家认定企业技术中心称号,为三鹿产品走向世界奠定了坚实的基础。集团坚持走”科、教、企”联姻之路,与全国16家科研院所合作,聘请国内外食品、营养、畜牧、金融、企管等28名专家为顾问,进行科技创新,不断提升产品质量,形成三鹿产品风味独特、营养合理的风格,深受广大消费者青睐。三鹿产品有9大系列245个品种,满足了人生不同年龄段以及特殊人群的营养保健需求。

坚持走经济效益、社会效益、生态效益三者兼顾的新型工业化道路。通过实施资本运营,以产权为纽带,以品牌为旗帜,先后与北京、河北、天津、河南、甘肃、广东、江苏、山东、安徽等省市的30多家企业进行控股、合资、合作,盘活资产18亿元以上,使30000多名下岗职工再就业,集团企业个个盈利,均成为当地的利税大户。三鹿集团为了培育自己的奶源基地,探索出了”四统一分一集中”集约化管理模式和”奶牛生态养殖园区”、”奶牛公寓”、”托牛所”等科学管理模式,有效地带动了奶业的大发展。现饲养奶牛80万余头,日产鲜奶6800吨,奶牛饲养辐射130个县(市、区),5500多个村,带动6万多农户发展奶业,通过延伸产业链吸纳80余万农村剩余劳动力,使其走上了致富、奔小康之路。三鹿在遍布各地的奶源基地全面推广青贮玉米制作技术,奶牛每年消化玉米达300万亩以上,产生了良好的生态效益。

0
范冰冰再次上热搜!希望这真的是最后一次!

这两天高以翔的不幸去世,占据了整个娱乐版热搜的前排,所有的艺人们和媒体都在缅怀他。除此之外,小编偶然才发现,范冰冰又偷偷的出现在了热搜里。

没错,这应该是她第N次出现在热搜了,感觉她身上是自带热搜体质还是说她一直不断在试探呢?

其实就在上个星期,范冰冰和李晨分手之后发朋友圈为自己的爱猫庆祝生日,恰好那天也是李晨的生日,更巧的是李晨的下面还顺便回应了范冰冰,结果上了热搜。

然后,

我默默的回忆了一下2019年的热搜,范冰冰在热搜上的频繁让我觉得她的力量真的是够强大。如果换成

别的明星,人气早就不知道跑到哪个爪哇国去了,而范冰冰就像一个游戏里怎么都打不死的那个大boss一样,

无论怎么抵制,她总有办法一次次满血复活回到我们的视线当中。

范冰冰给我们的感觉就是:

我还是我,我还是这样的一个豪门,我虽然被罚了近9亿,我依旧美得不可方物,高端走秀照样有,时尚大片照样拍!

2019年还有一个月就要彻底过去了,而2019年对于范冰冰来讲,就是她的复出之心路人皆知。

我相信现在的范冰冰,最害怕的事情就是没有曝光,因为没有曝光就意味着逐渐会被观众遗忘,彻底变凉凉!所以范冰冰一次又一次不断的制造自己的热度:先是自己的美容院开业,然后和李晨分手,然后分手之后再次约饭,随后“李晨的新恋情”,“范冰冰的新恋情”,然后他们“复合”的话题总能吸引我们极大的眼球!

如果不是这一波的热搜,可能我们都不知道,之前因为范冰冰偷税漏税而上映时间遥遥无期的影片,现在很多人都会说今年年底可能就会上映了!

11月25日,范冰冰从年前就开始宣传的那部电影「她杀」曝光了第1次的预告片,预告片的曝光,意味着电影即将开始排上了档期。

很多媒体也开始发消息声称,这部电影很可能会在年底在电影院里和大家见面。

这部电影的明星阵容其实还是蛮强大的,男主角是现在人气正在窜升的黄轩,而女星除了范冰冰之外,还有辛芷蕾和王子文等等,最关键是这部片子的导演是曹保平!

为什么说曹保平是这部片子的保障呢?因为当初周迅凭借曹保平执导的电影「李米的猜想」获得了金鸡影后,而邓超也是通过曹保平的「烈日灼心」获得金鸡影帝!所以如果电影这部电影成功上映,说范冰冰有希望凭借这部电影成功翻身,一点也不夸张!

经过这一年的话题的酝酿,范冰冰离全面复苏也许只有最后的一步之遥,而这部电影的上映可能就是那关键的一步,那如果这部电影可以安排上映,另外被搁置的6部电视剧和电影也必然指日可待。

终于,我们看懂了范冰冰到底下了一场什么样的棋,苦心经营了300多个日日夜夜,就差这临门一脚了,我们真的是太低估范爷的能力和决心了,当时的我们都以为经过了这场偷税漏税的风波,范冰冰被冠上范9亿的名字,她会妥妥的凉了,事实证明真的不是这样!

其实,仔细回顾这半年的历程,除了她一直在话题榜上纠缠不下之外,范爷的工作机会其实相当的厉害,她的杂志,她的广告,一直都活在我们的眼前,而另外她也开始自己也开始做面膜品牌,据说在10月22号当天,在她自己的直播下,几分钟11万件面膜一售而空,销售额超过1000万!

也许经过了范爷如此努力的宣传和洗白之后,很多人都开始想范冰冰真的要靠自己成功上位吗?

很多人在评论里都写“法律面前,人人平等”、“知错能改,善莫大焉”、“尊重结果,接受批评”!

但其实,我想说的是:

“孰能无过”是无心之过,而当我们知道她是知法犯法,被迫接受处罚,这种概念能混为一谈吗?

另外所谓的“知错能改,善莫大焉”,我们相信她肯定是知道自己错了,但她是否真心悔改了么?!

在去年,范爷发了道歉信的第4天之后,就开始进入西藏去做公益,沿途一直在发照片,所谓的高原反应、输液、吸氧不断,做公益是可以唤醒大家心中对这种弱势群体的关注!

但是,对比范冰冰做公益和韩红做公益,从照片上我们最能看到的本质是什么?

做公益不可否认是一件非常好的事情,但是,如果仅仅把做公益当作是自己洗白的方式,我们真的是没必要去接受!

看着宣传里说范冰冰的新电影将在年底上映,我真的是有点坐不住了!因为按照这样的顺序发展,这些劣迹艺人慢慢的终于可以赢了!

他们为什么可以赢?并不是因为他们有人数众多的声援部队,而是因为我们一直在沉默。

每次当他们试图复出,在复出的边缘试探的时候,我们并没有坚定的发出自己的想法,表达自己的声音,其实这对他们来讲,或许是一种默许!

娱乐圈的水很浑,我们承认,但是娱乐圈肯定需要那种敢于发光发声的人,因为社会的底线和良心需要我们共同的呵护!

真的希望这是范冰冰最后一次上热搜!

0
什么奶粉接近母乳味道,防止宝宝挑嘴

  给宝宝断奶一直都是妈妈们口中的难题,很多宝宝在从母乳转到奶粉时,都拒绝喝奶粉,并且哭嚎不止。对于这种情况,很多妈妈都觉得难以应对,其实是因为宝宝不习惯奶粉的味道,所以在挑选奶粉时,什么奶粉接近母乳味道是应该重点考虑的问题。今天就来跟大家分享一下为什么宝宝会“挑嘴”的原因,以及什么奶粉接近母乳味道,能够让宝宝轻松转奶。

  什么奶粉接近母乳味道?宝宝为什么不愿意喝奶粉?

  很多宝宝在奶粉喂养之前,都会有一段较长或较短时间的母乳喂养。母乳喂养的宝宝非常依赖妈妈,也依恋喝习惯了妈妈的乳头。但随着月龄增加宝宝不断成长,神经系统发育慢慢健全,宝宝因此会开始敏感地注意到妈妈的乳头与奶嘴是不一样的,所以习惯了母乳的宝宝就会拒绝奶瓶。

  而除了这个原因,不喜欢妈妈挑选的配方奶粉的味道也有着很大的可能。母乳与配方奶粉的味道肯定是有所差异的,味觉比较敏感的母乳宝宝可能会不习惯这种改变,从而不愿意喝奶粉,自然就对奶瓶充满了抵触的情绪,因此就出现了拒吃奶瓶的现象。除此之外,奶嘴吸孔大小不合适、喂奶姿势和方式不当等也会造成宝宝抗拒奶粉。

  什么奶粉接近母乳味道?子母奶粉生牛乳制,宝宝更易接受

  从宝宝不愿意喝奶粉的原因分析可以看出,奶粉与母乳的味道差距太大是最主要的原因,所以在挑选奶粉的时候要尽量挑选一款接近母乳味道的奶粉,这样宝宝更容易接受。而在众多奶粉之中,子母奶粉这样由生牛乳制的奶粉最为接近母乳味道。

  子母奶粉是由生牛乳全脂入料,只经历了一次喷粉,更好的保留了牛奶中的天然完整营养及乳香。相对于市场上其他种类的奶粉来说,子母奶粉的加工过程和营养素破坏最少,容易冲调,并且因为富含天然乳脂,口味好,拥有天然奶香,与母乳的口感最为接近。并且天然乳脂易消化吸收好,宝宝不会上火,也不会出现肠胃不适等症状。

  不仅如此,在生牛乳更贴近母乳的基础上,子母奶粉还精选金枪鱼油来源DHA,使用的专利DHA“微胶囊”包埋技术减少了腥味的产生,让口感更加接近母乳。同时极大地保持了DHA的新鲜度,不易被氧化,更大程度地保留了营养成分,有助于婴儿视力的正常发育。

  除此之外,子母奶粉全系列臻选品质植物油组合,提供优质高纯度亚麻酸,亚油酸,饱和脂肪酸 + 不饱和脂肪酸组合配比,不添加棕榈油,因此不容易形成钙皂。植物油组合中,采用进口椰子油和高油酸葵花籽油,层层筛选,保证品质,让宝宝发育得更好,妈妈更安心。

  有些妈妈在面对宝宝不愿意喝奶粉时,会采用亲子隔离法,强行快速断奶。虽然这样可能会让宝宝很快接受奶粉,但是不利于宝宝安全感的建立。其实这种方法完全没有必要,只要找到什么奶粉接近母乳味道,再注意一下奶嘴等其他细节,让宝宝接受奶粉也并不是一件难事。如果近期有想要给宝宝断奶的宝妈,可以选择最接近母乳味道的奶粉,相信断奶会轻松许多。

0
古风控看过来!汉 服文化 展首次走进白云机场,11月24日T2见~

古风控看过来!汉 服文化 展首次走进白云机场,11月24日T2见~金羊网 作者: 2019-11-24

想了解更多关于汉服的故事吗?赶紧约上喜欢汉服文化的小伙伴们前来围观吧~

汉服文化博大精深、源远流长,

褒衣博带之间, 展示了华夏民族特有的含蓄、内敛、儒雅、秀美, 彰显了华夏民族礼仪之邦的风采。

汉服文化展

时间:

2019年11月24日15:00-16:00

地点:

白云机场二号航站楼出发厅三层“天空舞台”

展华夏服饰之美。慨中华礼仪之大。为弘扬传统文化,白云机场文化艺术中心将在二号航站楼举办首场汉服文化展,为广大旅客展示汉族传统服饰的独特魅力。现场还可欣赏到传统的广府民乐及古诗词朗诵等。

想了解更多关于汉服的故事吗?赶紧约上喜欢汉服文化的小伙伴们前来围观吧~

文/图 白云机场发布
编辑: 宝厷