机器学习 · 修读回执档案

一个非计算机学院的人来整点杂谈向点评 --- 本人目前巴院大三，专业法语（辅修信息工程） --- 课程内容：前面已经有兄弟把细节写得很全了 我个人感觉这课就是把机器学习要用的数学地基往外挖（或者说机器学习界的微积分、线代和概率论），硬核到你怀疑人生，差不多是我们学院《人工智能数学基础》的超大杯Pro Max Ultra版（可我们学院下一届开始就没这门课了，裂开，太可惜了）。我跨学院来选这门课，是想着它能给我未来的科研帮上点忙。 内容方面，从最基础的Kmean一路铺到近期的GNN、Attention、Transformer这些主流机器学习方法都扫了一遍，但RF、DT这种也挺常用的就没提。当然老师也讲了，这是他个人对机器学习的理解，加上课程时长就那么点，不可能全给你讲完，缺零星几个方法也没啥可挑的。这课真正抓的重点，是解释这些机器学习方法凭什么能跑通的那些数学工具，说不定能帮你未来科研里所用方法的“可解释性”往上抬一抬。 难度上，感觉只要一点点跟着老师的思路走还是能跟上的（EM算法除外，因为我们学院还没学概率论，啃起来是真的吃力到头皮发麻）。但考虑到课程塞得比较紧凑，要是关键的数学推导丢了一两节课，后头也得跟着遭殃，尤其是老师的心头好EM算法，在GMM章节、PCA章节、VAE章节全都有它的身影，前面没搞明白，后面就听天书。其余内容我感觉还比较好咽，因为如果你已经在实验室打工，对各种机器学习方法多少有点了解，听起来就很顺，等于在你原有的理解上再给叠一层老师对方法数学本质的更深的解读。 --- 上课自由度：高到离谱，只有1次签到且不计入成绩（巴院几乎所有课都得给你签满） --- 考核标准：50%作业+50%期末 三次小作业都和课程有关或者是课堂内容的延伸，比如让你解释方法为啥长这样、做点理论推导（上课讲过的）以及搞点小实验。所谓小实验，就是让你设计实验去试试上课讲的方法（估计因为上课讲得偏理论，实践这块就踹到作业里了）。这些小实验一般来说写代码不会烧掉太多时间（毕竟有ai给你扛着），但在运行和调参上得花点时间。Report方面，我不清楚电院类似作业一般要写多细，所以也不评价。给分比较友善，我感觉认真写了就不会大扣。 不过话说回来，第三次小作业的时间我不得不吐一下：15周布置17周交。16周我肯定要拿来全军复习（巴院祖传的超大课程量），17周我天天都在考试，那我啥时候做？？那13周布置16周就要交的超难大作业我又啥时候做？？那段时间这两个作业把我压在下面喘不上气 /(ㄒoㄒ)/~~ 大作业最多3人一组，大概是复现一篇文章。文章就是涂老师项目组的成果，从项目所用的方法里能闻到浓烈的涂老师气息，因为他组里用的方法本质就是他这课授课内容的延伸。我和队友挑的是草图分类+生成那道，一人一半比较好算贡献度（我说你们电院，大作业报告里为啥还要写这个，好魔幻）。我承包了草图生成那部分，因为觉得会比较好玩，结果是真的难，主要是源代码并没有把你要的功能都给你，比如评估和可视化，而且源码也不完全正确，这些都得自己一点点debug。花了我一个多星期课余时间啥都没干就肝这个，好在最后结果还行，可视化也挺好看，所以也就懒得喷了。整个过程里我的队友和助教都给了我十分关键的技术支持，狠狠感谢他们的帮助！！给分canvas上没查到，但看平时分应该没怎么扣。 期末考的内容前面的点评已经说得比较细了。身为非电院学生，我对电院的考法不太熟，复习也没啥思路，主要就是把课堂笔记抱紧去复习。一些核心推导ppt上是不直接给的，比较吃笔记，这次考到的ELBO（课上叫自由能F）还有用特征值表示PCA精度，都是老师上课板书里的。比较走运的是，后者正好是我考前一整的最后一眼，结果就撞上考试第一题。其他考题要么考理解（PCA主成分个数m的设置、VAE模式坍缩等等），要么考你对概念掌没掌握，比如SVM和因果的题，当然老师考前专门说过两个会各来一大题，所以也不意外。比较意外的是考了diffusion model里的ELBO，这不属于授课范围，不过公式都给了，大概代进去就行（？）总之还是得好好复习，尤其是那几个关键推导和老师最后一节课讲的绝对会考的东西。 --- 授课质量：高 课堂内容基本是由浅入深，用老师的话说，就是先给你解剖一只小麻雀，再慢慢过渡到深层次，我完整听下来感觉还行，能感受到老师的逻辑，至少我还愿意坐得住听。讲课风格比较轻松，就是拿轻松的语气讲你听不懂的东西（开个玩笑）。老师人还是很好的，去问他问题都很热情地回你，最后答疑时也超耐心地在给我们讲。 --- 总结：这课自由度超高、内容偏数学理论比较难、作业压力略大（不知道跟我们电院其他课比算什么水平）、考试较难且吃笔记、需要认真复习，但一个学期啃下来，确实是有点收获的。 一些吐槽： 1. 世界上怎么会有不签到且签到还不算分的课？？ 2. 跨学院选完课，我既要品鉴我们学院的四天早八+白天课几乎排满，又要品鉴电院的作业和大作业，等于两边的福气我全占了ˋ( ° ▽、° ) 3. 以前老觉得电院同学到大三就只有4门考试（对比巴院这学期6/7门）爽歪歪，现在真亲身被作业和大作业上一课后，就又不奇怪了，要好几门都是这种大作业，那确实不好躺 --- 本人平生第一回写点评，有哪里不当，烦请包涵`(*>﹏<*)′

课程内容：和前面老哥说的一样，数理基础这块是按着重型装甲来堆的 上课自由度：高到能当空气人 考核标准：期末和平时分直接对半劈开 授课质量：保质保量，但本人是个纯正傻逼，高分这玩意儿跟我是平行线

先谢罪，我的输入法已经摆烂到只会吐英文，我人还在中文互联网，魂已经被键盘流放了。 课程内容： *** EM algorithm（全课の灵魂C位，tsk爱到骨子里，但考试里出场镜头少得像个客串） *** PCA、FA、ICA，主打一个把证明细节背到能把草稿纸写出包浆，结论反而像赠品，不太重要 *** Deep learning，CNN GCN VAE diffusion 全家桶，这学期 final exam 里 diffusion 一个人扛了 35points，属实是深度学习界的顶流塌房现场 *** SVM，你至少能在这儿薅到点分，very easy。 *** Causality，你至少能在这儿薅到点分，very easy。 *** Regression， 上课自由度：very high，大约 about twice attendance checking，我 miss 了 twice，但 continuous assessment 还是拿到 95，属于是翘课翘出了财务自由。 考核标准：50% final exam 50% continuous assessment，作业要是写得稀烂，continuous assessment 就会给你表演一个自由落体。 授课质量：very high but very hard，他大部分时间都在把你摁进 detailed proof 里反复摩擦，而且这玩意儿是必要的，因为会被 examed；线性代数和概率的底子得硬（要是你学过 stochastic process 那就更好了）。

**课程内容**： - 从经典Kmeans一路滚到GMM，引出EM算法；再滑进贝叶斯学习 - PCA，ICA，FA - 线性回归，正则化，SVM，因果（这俩蹲守在最后面） - 深度学习：DNN，CNN，GCN，transformer；压轴狂讲VAE和Diffusion 前两部分是C位担当，吞掉了大半学期 **上课自由度**：高 第一节课放话人少就签到，结果实操只签过一次 **考核标准**：20%大作业 50%期末 30%平时作业 - 期末考试有点凶，得把上课内容整个听一遍，有些理解和推导PPT上根本不写（要是觉得光舔PPT就能懂，你是氪星人，这评语你可以删了） - 实战只出6个大题，题干长得像小作文，一部分推导一部分理解 - 推导：比如给你VAE的结构原理公式，一问让你从似然函数肝出ELBO，还给你Diffusion的内容让你推ELBO。数学底子够硬、KL散度这类基础知识在线的，可以半裸考上阵，不听他讲也能推出来，但不建议尝试；我复习时Diffusion听得魂不守舍，考场上能把这玩意儿推出来已经算是命悬一线了 - 理解：比如解释PCA里指定的主成分数量m和真实数量m*的大小关系跟欠拟合过拟合怎么对应，这类题弹性拉满，很好捞 - 还有几个纯送分大题，SVM、因果出的温良恭俭让 - 非得狠狠复习不可，我都差点没做完 - 大作业： 内容设置还凑合，这次是sketch的分类生成or基于预训练模型的training free的sketch生成 可这workload安排得像个不装刹车的过山车，13周才把题甩出来，害得16周围着大作业一边续命一边复习；好在给分够意思，看得出不是存心拿捏人，就是早点布置能谢天谢地 **授课质量**：高 私以为是讲得相当好，输出一个算法会先上直觉，intutive地给你捋，再把数学原理和推导一步步盘明白，最后又拐回直觉里消化这个算法 我之前在AI实验室打过杂，这课收成依然很可观，比如数学层面弄明白了VAE和Diffusion的道理（虽然是在考场顿悟的） 老师人很好，这条5分先生的原因之一 总结：不水+分高+高自由度，唯一槽点是大作业发布得太太太太晚（当然分想拿高得老实复习，起码拿一两天把课2倍速过一遍）

复习？复个寂寞。两天？再给我两天我也是在给空气做考前冲刺，这考法属于是你把书啃穿了它也啃不回来。 离谱，前面十几周讲的正经内容跟隐身了一样，几乎没露脸；后面几周赶工灌水的那点“不那么重要”的“知识”倒成了全场C位。 考完我还跟老师说了句新年快乐，算是给自己这趟浑水之旅留个温情结尾。 真想学东西的可以冲，像我这种平庸的老鼠人，只配在门口探头，不适合这课。 老师人挺好的，给3颗星吧，这分数估计都比我绩点高。

我还能说啥呢，语言系统已宕机，脑内只剩一句无奈的叹息

试卷共10页，我能看懂的页数是试卷页数的零头。翻译成人话：这卷子有10页，我大脑能加载出来的进度条还卡在loading，零头都不够凑个首充。 *** 课程内容： - Mean（为什么平均值能使平方距离之和最小——听起来像小学数学，实际上不是） - K-Mean迭代算法（把数据分类和中心点表示搅和成一场相亲配对） - 竞争学习、FSCL、RPCL这些“选几个聚类才不亏”的参考答案 - 从欧氏距离模型一路转职成概率模型，在高斯分布那儿开分基地，从最小误差叛逃到最大似然 - GMM与EM算法，扒开EM下的GMM看内脏，再拿KL散度给它做解剖课 - 贝叶斯学习和部分确定聚类数的方法（AIC、BIC、VBEM等等，一排英文字母像在报菜名） - PCA（用中心点和主方向表示数据）以及它的几个变式皮肤 - FA（因素分析）和PCA的亲戚关系，外赠模型选择 - ICA（把混在一起的信号拆回各自独立的源头，像在聚会上把人声从BGM里抠出来） - 监督学习（线性回归、逻辑回归） - 神经网络的概念、现象、优化方法 - 深度神经网络（CNN、GCN） - 深度产生式模型（VAE、GAN、Diffusion Model） - SVM线性分类器 - 因果推断 上课自由度： - 高，只有1次签到，且不带预告。老师的规则是：出勤人数小于50%就触发签到。现实是很多次都少于50%，但只签了1次——这触发机制疑似没插电，或者说概率之神在打瞌睡。 - 签到不影响成绩，但签上了等于给自己埋了个伏笔：最后成绩差一点，老师可以小捞一把。 考核标准： - 50%平时成绩，拆成3次小作业30%加1次大作业20%。 - 小作业还行，基本是课上内容复现加已有模型复现，写出来能拿到大部分分数。但学API怎么用、在CPU上跑机器学习模型，这两件事比上课还烧时间。个人情况是高强度肝每次都要做整天时间以上，最后扣了少量分数——就是那种“不是不会，是CPU先没电”的扣法。 - 大作业非常难，最多3人1组，基本要求是复现部分已经发文的成果。如果你做修改或者给出模型性能的测试评估等等，还能拿bonus。由于本人不是本组最后提交大作业的那位，大作业给分情况处于薛定谔状态不可知；不过从平时总成绩反推，大作业给分还算不错。 - 除了小作业里的课上内容复现部分，作业和考试几乎不认识彼此。复习时想找作业当参考，发现参考早就提桶跑路了，本来就很困难的期末考试直接雪上加霜。 - 50%期末考试。如评论区所言，这考试很怪异：铺垫了60%以上课时的内容几乎没考，后面因为元旦放假赶进度飞快讲的内容反而考了很多。本人做的是B卷，难度分布几乎是倒置的。后面30%的题送分力度相当不错，但前面分值很重的部分非常晦涩。除了10%上课推导过的结论，几乎没看懂任何内容——考场上我的状态是：这题我见过，在梦里。 授课质量：（主观臆断，仅供参考） - 优点：没停留在念概念PPT的层面，讲了很多数学推导，涉及机器学习底层的大量数学原理，而且细致。如果你选择不听课直接看回放，虽然比较难，但好在回放能暂停，大部分内容还是可以接受——相当于用空格键给自己续命。 - 缺点：个人认为数学推导还不是最让人破防的部分。由于机器学习内容本身，加上本学期放假多、课时少，老师几乎没有串联整个课程内容，最后还讲得飞快，导致很难形成知识体系，复习时只能把整个课程录像推倒重看——这不是复习，这是重新投胎。 - 涂老师本人还是很nice的，上课说事都是老好人的气场；然后作业和考试里外不是人。（纯口嗨，没有恶意，就是觉得难度疑似开得过高，至少个人相当难以应对作业和考试。） - 最后给分捞的力度比较大，个人能够接受给出的总评成绩。

先声明这门课我打两星，原因是我本来想打一星，但为了让分数看起来不那么流血漂橹，硬加了一颗——授课老师本人其实是个好人，以下所有吐槽火力只对准课程质量。 先聊聊这课讲了啥。机器学习是个无底洞大领域，这门课也是真的什么都往里塞，包括但不限于SVM、Naive Bayes、Ensemble Learning、clustering、Learning Theory、多模态、Deep Learning、Deep Generative Models、Reinforcement Learning。而这正是这门课最大的病根——这么多东西塞进一门课，讲完是不可能的，每个分支单拎出来都能开一门课（Deep Generative Models把数学基础算进去都能撑成几门）。于是这门课什么都没法讲清楚，只能一路滑成导论性质。说难听的，我觉得这样还不如老老实实细讲经典机器学习，把地基先砸扎实，再去碰现代的学习方法。 再说这课怎么讲的。slides做得比较烂，你要是单独抱着看，很难看懂，因为上面基本没什么连接词，也没什么解释。除此之外就没额外的资料了。至于老师上课，说实在的，你也不能指望他在讲这么多玩意儿的时候还能把东西讲得多清楚。 再说作业和助教。这课只有一次小作业，扔一个Jupiter Notebook让你填空。这一次作业非常简单，你实在不能期待能从里面捞到什么。而大作业直接是让你造火箭——任选一个项目（甚至可以发表的），然后开干，要有代码产出，最后交给老师和助教评分。我对于这种老农造火箭式作业实在无话可说，以至于现在我非常怀疑AI这个方向是不是有点过于急功近利。至于助教，这位感觉是有点已读不回。 最后说考核和给分。这课有一次期中考试，期末就是大作业交上去评分。期中考试是quiz，做几十道选择题。我对这种八股式考试形式非常怀疑，认为做选择题非常难蚌且没有价值。至于给分，评价是看不懂。 说实在的，我不觉得大家有从这门课中学到多少记得住的东西。如果让我来讲，我宁愿只讲经典机器学习，并且注重数学建模——至少这部分内容真的有挺漂亮的理论，而且课时也合适，这样考试还能考推式子呢。另外还得讲点基本的深度学习，因为我们的培养计划里没有深度学习课（尽管我很建议分开上机器学习和深度学习）。 说到底，就我所知，你实在是很难在交大找到靠谱的AI课程。如果各位有志于该方向，建议早早另做打算。

课程内容： 参数化有监督模型，非参数化有监督模型，无监督学习，机器学习理论，四大门派齐聚一堂，主打一个该来的都来了。 上课自由度： 高。高到你怀疑老师是不是把点名这事儿给忘了，但别急，后面有惊喜。 考核标准： 50% 小作业，30% 大作业，10% 海报，5% 出勤，5% 小测。这配比，妥妥的拼好课套餐，小作业是大头，大作业是二头，剩下那仨属于是凑单满减，存在感约等于直播间里的气氛组。 小测尤其**唐氏**，新时代机器学习八股。真的，做那玩意儿就像被按着头背《论语》考八股，只不过把之乎者也换成了梯度下降，把破题承题换成了反向传播，新时代的科举，一样的味道。 大作业的设计是不错的。这是全文唯一的人间清醒，也是你整个学期唯一能喘口气的地方。 小作业的设计是为 Tab 而生的。Tab 键在键盘上默默承受了它这个年纪不该承受的点击量，敲到手抽筋，仿佛我报的不是机器学习，是打字速成班。 有时有签到。注意这个「有时」，它不是温柔，是薛定谔的考勤，你永远不知道哪节课会在背后给你一刀。 授课质量： 讲得挺无聊的。就这么说吧，知识它是进来了，但整个过程像在听一段没有倍速、没有字幕、还卡顿的网课。

考试难度直接原地起飞，很多时候我看题的表情就跟看天书一样。。。 拼了老命卷面才堪堪80+，好在平时分给满了，算是给我留了条活路

鼠鼠我考得跟被卡车碾过的泡面一样，17号考完计网就来严谨论证一下为什么tsk老师是全小将转世（纯口嗨，tsk老师人还是很nice的） 当然这不影响这场考试抽象到可以进博物馆，17号考完来细细开团（ ___ 鸽子回来填坑了： tsk老师是全小将转世的原因： - 外观类似  上过课的各位回忆一下tsk老师边讲边笑那个画面，简直就是全小将那句“今天最高兴了”的学术分将，像啊，很像啊！我当初发现这事，还是边看第五共和国边听机器学习给逮到的。 - 做事风格类似（这是硬凑的） 全小将操办了光州无限制格斗大赛，凭“一秒六棍”名震江湖，人曰：“甩棍有力度，执法有温度，下脚有准度”；tsk老师设计的机器学习试卷，第一道大题就是6个小问，人曰：“一题六问”，整张卷子堪称“证明写不光，因果题忘光，分数全扣光，菜鸡死光光” - 2人没有同时出现过（相关理论可咨询爱国大总统法尼瓦伦泰） ___ - 平时作业和课堂讲授： 全小将其实讲得还行，但他对理论推导爱得深沉，期末复习起来痛苦到想把脑子典当；鼠鼠第一次小作业没好好写，被扣了一点分数。 大作业难到离谱（给各位CS大佬同学跪了捏） - 考试： 鼠鼠觉得很难，而且好多题难得一批论述，基本都是语言描述的，唯一一道确定的因果题鼠鼠还不太会做，全小将似乎偏爱考PCA和k-mean；最后给分应该还是捞的，但鼠鼠期末也只有70几分。 - PS: 听好友说slp老师长得像华春ying，本人没上过slp老师的课，不知各位大佬怎么看（

有三次签到，平时作业还算温和，给满了。今年大作业是binpacking问题，里面用的方法好像前面几次作业都没搭上线……我自己搞出来的那套还不如随机放哈哈。老师挺认真，前期上课在黑板上一路暴推公式，可惜我没听，考前二倍速回放才发现其实也蛮好懂的。但也可能是我太菜，期末是真的难到离谱，比往年卷还逆天，一堆推概率的题，跟老师讲的味道不太一样，真就写不出来。

楼下同学说的对，涂老师认真负责，推导细致，有耐心，讲课质量很高，这点我先给他磕一个。 但我这有个小小的身边统计学要播报一下：我本人和我身边的朋友，本门课最终得分都在85分左右。如下面的同学所说，期末占比50且难度较大，有几道大题的数学推导相对来说比较困难，做不出来就说明期末考已经不过80分了，平时分给满也上不了90。我没去问最终均分，但估计就是在85分左右。我和几位朋友也都是专业中游的水平，认为这个估计不会有太大的误差。想请各位因为人工智能热想选该分支的学弟学妹，先看看别的分支的均分，再谨慎思考一下，分数是否重要？如果你还需要一个相对高的分数来保研或者出国，还请务必谨慎考虑，毕竟不是每个人都能像下面同学一样优秀的。 总结：课是好课，老师是好老师，但因为课程难度问题，中游学生的得分相比其它分支较低，对分数有要求的普通学生谨慎选择。这事儿就跟我点外卖看评分4.9结果到手发现全是刷的，你也不能说人家店不好，但你饿着肚子进来再饿着肚子出去就有点抽象了。

* 课程内容： * Clustering * 最基础的 K-mean 开场，然后巴拉巴拉几种变体，最后请出 GMM，顺便拉开了老师最爱的 EM 算法连续剧。 * Learning theory * 从两个全新的角度又把 EM 算法讲一遍，然后贝叶斯学习和 Model Selection 上桌。 * Linear models * PCA，Hebbian learning，FA（从生成的角度理解PCA，还是EM算法），ICA，EM算法：我不是来上课的我是来常驻的。 * Supervised learing * 神经网络的参数传递和梯度回传走个流程，再介绍了一下SVM。 * Causal inference and causal discovery * 一些关于因果律的东西，听完感觉自己能预测未来了（并没有）。 * Deep learning * 经典神经网络大礼包，Transformer、GNN之类的都来串个门，不太涉及数学的东西，了解相关概念即可，属于是参观博物馆。 * VAE，GAN，Diffusion。这三个地方会涉及数学推导（EM算法：嗨嗨嗨，我又来啦）。 * 上课自由度： * 高。不过还是建议听课，不然考试考不来，这是自由不是白给。 * 考核标准： 三次小作业（10*3），一次大作业（20），期末考试（50）。课堂发言可以拿到1分的总评加分。 * 小作业认真写了的话能拿到大部分分数，属于是只要你肯动手，分就在那里。 * 这次的大作业有点难绷，需要处理的数据量很大，比较费时。然后还要用一个图神经网络来预测一个电路相关的东西，反正就是写的稀里糊涂的，实现起来的效果也是一坨。不过老师更看中的还是你对实验结果的讨论和思考，翻译一下就是结果烂没事，感想得写得漂亮。 * 考试有点难，范围也广，我是真没想到最后会给我来个 diffusion 的数学推导。那一刻我深刻体会到什么叫防不胜防。 * 授课质量： * 总体而言讲的还不错，比较重数学推导和理解。 * 说实话，对数理基础薄弱的大三学生来说，这门课其实有点难了，但对大二同学来说应该正好（确信）。因为之前学过的概统和数理方面的知识早就忘得差不多了，导致有很多老师觉得 trivial 的东西同学们在底下听得云里雾里的，场面类似于老师在空中悬着讲课，我们在地上挖地洞找答案。 * 总的来说，给人一种学数分的美，是那种看完想和数学握手言和然后又打一架的美。 * 一点建议 * 无论是想拿个高分还是想从这门课里真的学到一些东西，我都建议把这门课当成一门数学基础课来学，上课有不懂的地方赶紧问老师（老师还是很乐意回答问题的），然后平时多复习（尤其是EM算法那些），后面会反复提到前面讲的。你如果把它当选修课糊弄，它就会拿考试糊弄你。

大作业里是啥活没干，指点江山的时候倒像脚踩实地了。有您这种蠹虫撑着，小组作业这形式早晚被端走。真是纳了闷了，看见这种人肚子里就自动点着火。 搁这儿装什么大尾巴狼呢，还想让我给出5分？真把自己当瓣大蒜了？字里行间飘着的全是自命不凡自恃清高，某些人的巨幅画像就靠这一小段就给裱上墙了。恶心！ 就说的这篇： \\/ \\/ \\/ \\/ \\/

课程内容：从机器学习的地基开始扒，一路扒到深度学习，再顺手把机器学习圈最新的瓜也端上来 上课自由度：高到离谱，签到只发生过两次，还是因为到课人数10/50，老师说就是瞅瞅哪些人认真上他的课，不扣分 考核标准：三次小作业（10*3），一次大作业（20），期末考试（50），大作业我觉得有点难评，可能是助教研究方向，他给的英文题目，但感觉没说明白（虽然问他会及时回复），而且这个大作业我感觉我大部分时间花在了题目到底说的是什么，而不是去做大作业，不过貌似助教这学期博士毕业了（bushi） 授课质量：老师的数学功力深得跟海沟似的，推导一堆，听得带劲，很有收获，但难度颇高；老师上课有次提到本科同学好几个竞赛牌子的，加之老师的数学功力如此深厚，我怀着好奇的心态搜索了他，好好好，本科北大数学系，梦中情校，这小对老师更加崇拜了。不过老实说，老师上课难度确实很大，导致来教室的人很少，xs 不管怎么样，涂老师是一个好老师，我决定给5分 2024/6/14 我是小丑，我知道为什么给我点踩了，这个考试我真的做不了一点啊啊啊啊啊啊啊啊啊，老师放过我吧，我和你不是一个水平啊 这位同学是真抽象啊，看不懂我骂了大作业？我小组的大作业几乎是我凭一己之力完成的，报告中有一项是写自己的贡献度把，所以我在报告中直接写出来了，搞笑了，你觉得自己做的多就找助教argue啊，在这狗叫！！！！ 怎么，我觉得老师的上课水平值5分，不行？别太抽象 中期退课老师说不满意叫你退了也没见你退啊，平时教室来几个人？老师扣你平时分了嘛，就在这叫

课程内容：clustering, learning theory, linear model (PCA, FA, ICA, NFA), supervised learning (nn, SVM), deep learning, causal discovery——这名单念下来像报菜名，也像健身房私教给你排的课表，看一眼就想原地退卡。 上课自由度：极高，整学期只在第一节课去过，平时分给满。这是什么？这是传说中的签到型幽灵，第一面之后直接人间蒸发，平时分还能稳稳落袋，属实是选课界的隐身术满级。 考核标准：平时50% + 期末50%。对半开的比例，主打一个不偏不倚，考勤和考试各占半壁江山。 授课质量：从内容上讲，涂老师的这门课是专业课中比较深入的一门课，相比于其他很多课程的浅尝辄止，这门课涉及了很多底层的数学原理，这部分对喜欢数学的人来说十分有趣。数学爱好者狂喜，仿佛在泥地里突然摸到了一块硬核矿石。我在canvas上看过涂老师的网课和PPT，我个人觉得讲课质量实在是一般，很多地方讲的不清楚，PPT也十分混乱。怎么说呢，PPT的排版让人有种"我是谁我在哪"的失重感，网课听起来也像隔着一层雾解密。涂老师的说法是留一些课堂上的空白让同学们自己推，但这个对之前数学基础比较薄弱的同学来说是一个很大的负担，也给复习带来很多麻烦。翻译一下就是：老师慷慨地把填空任务外包给了学生，数学底子薄的直接原地触发地狱难度，复习时更是展开一场自我怀疑的长征。 涂老师人还是很好的，问问题基本上都会给答复，给分也还可以，在预料之内。人也nice，问啥基本有回音，给分嘛，稳稳踩在你的预期线上，不惊喜也不惊吓。

课程内容：内容空空荡荡。 上课自由度：学期末点名一次（注意，不是最后一节课，是学期末），玩的就是心跳。 考核标准：30%作业、20%大作业、50%考试，另外课堂上举手答题或者上台解道题能加分。 授课质量：本人的结论是——非常不值得选。老师一开讲就沉浸在自己的思路世界里，蹦跳的思路像开了二倍速+闪现，你很难跟上。就后面教室里坐着的人数和真正在听的人数来看，这课属于少数超神玩家专供。另外，老师的嘴速远远追不上脑回路，有些知识反而越讲越玄。

课程内容：无监督学习(各种聚类算法等)、监督学习(SVM等)、贝叶斯模型、因果推断模型等基础机器学习内容(参考西瓜书)，一本书的亲戚全请来了。 上课自由度：高，无点名，但是课堂表现会硬加分总评，等于自由里埋了个彩蛋。 考核标准：50%期末考试，10%*3小作业，20%小组大作业。期末考试以上课讲过的例子和模型为基础，以计算证明为主，部分概念题，有一定难度。小作业简单，基本都是调包。我当时上的时候大作业是sketch分类任务。给分奇高，小作业大作业基本写出来就给满，期末难度较大会调分(或者只是单纯改得松)。 讲课质量：极高，讲得透彻无比，像把知识用吸管直接捅进你脑子里。