历史匿名回执 ·
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。