南宁市人力资源和社会保障局转发广西壮族自治区人力资源和社会保障厅关于做好2022年度全区专业技术人员继续教育工作的通知通知公告

各县(市、区)、开发区人力资源和社会保障局,市直各有关单位、人民团体、行业协会组织(人事)部门:

现将《广西壮族自治区人力资源和社会保障厅关于做好2022年全区专业技术人员继续教育工作的通知》转发给你们,请认真贯彻执行。

南宁市人力资源和社会保障局

2022年4月1日

广西壮族自治区人力资源和社会保障厅

关于做好2022年度全区专业技术人员

继续教育工作的通知

各市人力资源社会保障局,区直各有关单位、人民团体、行业协会组织(人事)部门:

为贯彻落实《自治区党委关于印发2018—2022年广西干部教育培训规划的通知》(桂发〔2019〕6号)和《广西壮族自治区人力资源和社会保障厅关于印发广西壮族自治区专业技术人员继续教育实施意见的通知》(桂人社规〔2019〕2号)等文件精神,深入实施专业技术人才知识更新工程,全面提高专业技术人员素质,现将2022年度我区专业技术人员继续教育工作有关事项通知如下:

一、培训对象

二、培训项目和学时要求

专业技术人员继续教育培训内容分为公需科目和专业科目两大类,每人每年教育培训考试总学时不低于90学时,其中专业科目不低于总学时的三分之二。

(二)专业科目。专业科目包括专业技术人员从事专业工作应当掌握的新理论、新知识、新技术、新方法等专业知识。专业科目学习采取线上与线下、集中与分散、课堂讲授与实践操作相结合等形式开展。专业技术人员每年的专业科目学时不低于总学时的三分之二。

三、培训考试和学时登记认定

除公需科目必修课之外,支持各单位、各行业主管部门选择国家级和自治区级专业技术人员继续教育基地单位、国内外知名培训机构开展线上线下培训。经用人单位或行业主管部门认可的培训经历,可以进行学时登记。各单位、各行业主管部门组织的培训班以及各国家级、自治区级专业技术人员继续教育基地按程序进行备案后组织的培训班,可由培训组织单位统一导入参加培训人员学习档案。各行业主管部门组织的继续教育学时学分登记应及时对接导入广西专业技术人员继续教育信息管理系统。

(四)证书打印。专业技术人员完成本年度公需科目必修课培训和考试,可通过系统自主生成并打印《专业技术人员继续教育公需科目考试合格证书》;本年度公需科目和专业科目总学时达到90学时以上,其中专业科目学时达到总学时的三分之二以上,经单位审验通过,可通过系统自主生成并打印《专业技术人员继续教育合格证书》。

(一)专业技术人员参加继续教育的情况作为其申请评定上一级职称的重要条件。专业技术人员申报职称除完成当年度公需科目必修课学习考试外,上年度继续教育完成情况也将作为重要参考条件。

(二)用人单位要将参加继续教育情况纳入专业技术人员考核评价、岗位聘用的重要依据,当年未完成继续教育学习任务者,年度考核不得评为优秀等次。

(一)加强组织。各级各部门要充分认识开展继续教育的重要性和必要性,各市人力资源社会保障部门、区直各行业主管部门和各单位要高度重视,加强领导,认真组织好本地区、本行业和本单位专业技术人员继续教育工作。要积极谋划,认真部署,加强沟通,密切配合,扩大宣传引导,形成工作合力。

(三)强化监管。专业技术人员要如实登记学时,对登记材料的真实性负责。用人单位要对专业技术人员学时登记的真实性、规范性把关,及时进行学时审验。各市、县级人力资源社会保障部门和各行业主管部门应按照管理权限加强对继续教育工作的督查。各级人力资源社会保障部门要会同有关行业主管部门对本地区专业技术人员继续教育工作实施情况进行抽查和评估。严格执行申报诚信惩戒机制,对学时登记弄虚作假的人员和单位,记入继续教育诚信管理档案并进行通报。个人用于职称申报的,按申报材料弄虚作假列入黑名单管理。

六、培训服务

我区专业技术人员继续教育公需科目培训、考试,以及继续教育学时登记、审验、证书打印等工作由自治区人力资源和社会保障培训中心提供技术支持、人工客服等服务。

2.个人学时登记操作流程

3.单位学时登记、审核操作流程

2022年3月25日

附件1

2022年度专业技术人员公需科目

培训考试操作流程

一、网络学习、考试流程图

二、网络学习、考试具体操作步骤

(三)网络考试。完成课程学习后才能进行该门课程考试,在【考试列表】中选择考试科目,即可开始考试。考试成绩60分以上(含60分)的,视为培训通过。

(四)打印培训证书。通过培训的学员,在公需科目培训考试界面中,点击【打印证书】,即可下载电子证书并打印。

三、网络培训电脑配置及网络环境条件

(一)操作系统:WindowsXP以上系统。

(二)建议使用谷歌、火狐浏览器,或IE浏览器8.0以上版本。

附件2

个人学时登记操作流程

一、学时登记

二、查看、修改、删除

三、提交审核

(一)提交至本单位审核。提交审核前,请仔细核查登记信息。勾选所有已登记的培训信息,点击【批量提交至本单位审核】(如单位有变动,请先在【我的信息】处,更改所在单位信息)。

(三)登记撤回。提交审核后,在【培训登记详情】会显示提交情况及审核状态,若该学时认定内容在“待初审”状态下仍可点击“撤回”进行学时内容修改。

提交后若发现提交到错误单位的,且仍在“待初审”状态的内容,可在【我的学时——学时登记】里进行删除后,重新选择正确的单位再进行提交。若已经审核通过才发现错误的内容,需要由单位管理员进行删除认定内容后,再重新登记、提交。

四、学时查询

在【培训总体查询】中可查看各年度公需科目学时、专业科目学时以及总学时,点击任意年度,下方列表即可展示该年度内所获学时的详细信息。

在【培训登记详情】中可查看本人在系统中所登记的全部学时信息及审核状态,点击“+”可查看审核进度。

??

附件3

单位学时登记、审核操作流程

一、登记

(一)逐条登记

点击【新登记培训】,根据页面提示将内容填写完整,点击“保存”。

(二)批量登记

(三)查看、修改、删除

如需检查或修改,点击“查看”或“修改”。如拟删除所登记的信息,点击“删除”。

(四)提交审核

登记完毕后,选择已登记的条目,点击“批量提交审核”,输入本单位的名称,点击“查询”,选择所在单位后确认提交。所登记的学时信息则会进入到【学时管理—专业科目学时审核】界面待审。

二、审核

(一)逐一审核

在菜单栏中选择【学时管理—专业科目学时审核】,可看到本单位专业技术人员提交的学时登记申请,以及单位工作人员为本单位专业技术人员所登记的学时信息。

在操作栏中,点击“通过”,专业技术人员获得相应学时;若选择“不通过”,须填写“审核意见”,说明不通过的原因。

(二)批量审核

勾选全部已核实的学时登记条目,点击“批量通过审核”。如不予通过,点击“批量不通过审核”。批量不通过审核需要填写“审核意见”,说明不通过的原因。

(三)查看审核结果

选择【学时管理—专业科目学时审核结果】,查看本单位专业技术人员学时审核结果。

选择【学时管理—专业科目学时审核结果】,查看本单位专业技术人员学时审核结果。查看审核结果时,需要先选择审核状态,系统设置的审核状态分为:待提交、待初审、通过认定、不予认定。选择对应状态后,可输入学员姓名或身份证号码单独查询对应学时。

审核内容均可进行【删除】和【查询】。点击“删除”后,学员对应登记的内容将被删除,学员需要重新进行登记。温馨提示:若是已通过审核又被删除学时的,如已生成过《继续教育合格证书》的,则删除学时后原证书自动失效。因此,请单位管理员谨慎使用删除功能。

三、学时查询

选择【学时管理—专业科目学时查询】,查询本单位专业技术人员所获得的学时信息。查询具体某位专业技术人员的学时信息,可通过姓名、身份证号查找。

四、单位管理员/单位二级管理员设置

单位专业技术人员人数多的,可以通过设置二级管理员,分部门进行学时登记及审核工作。

(一)单位管理员管理

根据本单位实际情况进行部门设置。

新增部门成功后,可回到【单位管理员管理】,对管理员进行部门分配。点击【修改】选择对应部门,保存。

被分配到具体部门的管理员属于二级管理员,二级管理员仅能管理、登记及审核该部门名下的学员信息。

温馨提示:建议单位设置保留一位总管理员,用于设置各二级管理员、分配部门、选择学员等。

单位管理员不选择部门的,则默认为单位总管理员。总管理员可查看整个单位人员信息。

THE END
1.图神经网络与图表示学习:从基础概念到前沿技术随着复杂网络数据的快速增长,图数据的处理和分析成为机器学习领域的一个重要方向。图神经网络(Graph Neural Networks, GNNs)和图表示学习技术逐渐崭露头角,成为处理图数据的有效工具。本文将深入探讨图的形式化定义、图表示学习的基本概念以及一系列先进的图神经网络模型。 https://blog.csdn.net/cooldream2009/article/details/136084701
2.图神经网络:图表示学习图神经网络(Graph Neural Network, GNN)是一种专门用于图数据上的机器学习模型。与传统的神经网络模型侧重于处理向量和矩阵数据不同,图神经网络专注于处理图数据,能够有效地捕捉图结构的特征和关系。 图神经网络的起源 图神经网络最早可以追溯到20世纪80年代,但直到近年来才逐渐受到广泛关注。随着社交网络、生物网络、https://www.jianshu.com/p/30b99498d43e
3.网络学习素材网络学习图片网络学习素材图片下载第3页觅知网为您找到1066个原创网络学习素材图片,包括网络学习图片,网络学习素材,网络学习海报,网络学习背景,网络学习模板源文件下载服务,包含PSD、PNG、JPG、AI、CDR等格式素材,更多关于网络学习素材、图片、海报、背景、插画、配图、矢量、UI、PS、免抠,模板、艺术字、https://www.51miz.com/so-sucai/157549/p_3/
4.深度学习时代的图模型,清华发文综述图网络机器之心深度学习在多个领域中实现成功,如声学、图像和自然语言处理。但是,将深度学习应用于普遍存在的图数据仍然存在问题,这是由于图数据的独特特性。近期,该领域出现大量研究,极大地提升了图分析技术。清华大学朱文武等人综述了应用于图的不同深度学习方法。 他们将现有方法分为三个大类:半监督方法,包括图神经网络和图卷积网https://www.jiqizhixin.com/articles/122304
5.深度学习图像分割:网络结构设计一览GANs网络结构示意受到GANs启发,Luc等人训练了一个语义分割网络(G)以及一个对抗网络(D),对抗网络区分来自ground truth或语义分割网络(G)的分割图。G和D不断地博弈学习, 它们的损失函数定义为 : GANs loss function 回顾一下原始的GAN损失函数:GANs的损失函数体现的是一种零和博弈的思想,原始的GANs的损失函数如下:https://www.51cto.com/article/711681.html
6.干货图神经网络的十大学习资源分享雷峰网字幕组双语原文:【干货】图神经网络的十大学习资源分享 英语原文:Top 10 Learning Resources for Graph Neural Networks 翻译:雷锋字幕组(听风1996) 图神经网络(GNNs)是深度学习的一个相对较新的领域,从最近开始越来越流行。Twitter、Google或Facebook等大公司都会开始对于GNN投入研究,事实证明了GNN优于其他使用图数据https://www.leiphone.com/news/202010/7Xuv0ipza1lmd125.html
7.高清图解:神经网络机器学习数据科学一网打尽附PDF这份备忘单涵盖了上述领域几乎全部的知识点,并使用信息图、脑图等多种可视化方式呈现,设计精美,实用性强。 今天,新智元要为大家推荐一个超实用、颜值超高的神经网络+机器学习+数据科学和Python的完全图解,文末附有高清PDF版链接,支持下载、打印,推荐大家可以做成鼠标垫、桌布,或者印成手册等随手携带,随时翻看。https://news.hexun.com/2019-05-14/197181509.html
8.终于有人总结了图神经网络!一、为什么需要图神经网络? 随着机器学习、深度学习的发展,语音、图像、自然语言处理逐渐取得了很大的突破,然而语音、图像、文本都是很简单的序列或者网格数据,是很结构化的数据,深度学习很善于处理该种类型的数据(图1)。 图1 然而现实世界中并不是所有的事物都可以表示成一个序列或者一个网格,例如社交网络、知识图https://www.scholat.com/teamwork/showPostMessage.html?id=10103
9.NeurIPS这篇论文提出了一种基于官能团生成的图网络自监督预训练方法MGSSL。大量实验表明MGSSL可以使得预训练图网络学习到官能团结构和语义信息,提升下游分子属性预测的表现。未来的研究工作包括:(1)设计更多基于官能团的图网络自监督学习任务 (2)探索基于官能团的自监督学习在其他领域的应用。 https://cloud.tencent.com/developer/article/1915923
10.上海交通大学王宇光:几何深度学习和图神经网络的研究进展和趋势3月 23 日,在机器之心 AI 科技年会上,上海交通大学自然科学研究院和数学科学学院副教授、上海人工智能实验室成员王宇光老师发表了主题演讲《几何深度学习和图神经网络的研究进展和趋势》。 演讲视频地址(点击「阅读原文」也可观看):https://www.bilibili.com/video/BV1Yr4y1q7c1?spm_id_from=333.999.0.0 https://www.thepaper.cn/newsDetail_forward_17536620
11.勇立潮头向“网”图强:网络人士学习贯彻党的二十大精神!近年来,互联网行业发展日新月异,广大网络人士勇立潮头、逐梦时代、向“网”图强,以信息化数字化优势创造了一个又一个中国互联网“奇迹”,不断赢得未来发展和竞争的主动权、主导权。为进一步贯彻党的二十大精神,团结凝聚广大网络人士,构建网上网下同心圆,中央统战部第5期网络人士理论研讨班近日在中央社会主义学院举https://www.zysy.org.cn/article/4Ccia12MDAT
12.MindSpore官网框架中已经自带实现十三种图网络学习模型,涵盖同构图、异构图、 随机游走等类型的应用网络。 详情请参考这里https://gitee.com/mindspore/graphlearning/tree/research/model_zoo 4 高性能可扩展的强化学习计算框架:昇思MindSpore Reinforcement 强化学习(RL)是近年来AI领域的研究热点之一,伴随昇思MindSpore全场景AI框架 https://www.mindspore.cn/news/newschildren?id=967
13.科学网—python图神经网络,注意力机制Transformer模型目标4. 图卷积网络(GCN)的工作原理。 5. 图神经网络的变种和扩展:图注意力网络(GAT)、图同构网络(GIN)、图自编码器、图生成网络。 6、案例演示7、实操练习 强化学习详解 1、强化学习的基本概念和背景(什么是强化学习?强化学习与其他机器学习方法的区别?强化学习的应用领域有哪些? https://blog.sciencenet.cn/blog-3559456-1409752.html