牛力 · 数据科学基础修读档案

课程内容：同下 上课自由度：极低，这学期小测总共有7次（3次有通知，4次没有）——相当于游戏里7个BOSS，只有3个在小地图上有红点，剩下4个是纯纯的伏击，随机刷你脸上 考核标准： - 10% 出勤 + 30% 三次course project + 60% 期末 授课质量： - 老师上课很催眠，几乎0人抬头，不过老师也不管——这课属于合法ASMR，抬头率约等于零，但老师走的是"你睡你的我讲我的"佛系路线；PPT做的挺不错的，条理很清晰，美中不足是有些部分有点过于简练，复习的时候不仔细看很容易错过重点，简练到像把一本书压成一张便利贴，重点都藏在缝隙里跟你玩捉迷藏；newly应该是做CV的，所以这门课里面分享的很多工作都是CV领域的 - 期末考试前划了重点，虽然和最后考试内容完全吻合，但是我的评价依然是**如划**，很多地方考察的理解其实和PPT没有任何关系（比如问LDA降维的维度为什么必须小于总类别数，这在PPT里压根没有）——划了，但划了个寂寞；重点跟考卷完美重合，可我依旧给出**如划**二字，因为一堆考点属于PPT里查无此人，比如LDA降维的维度为什么必须小于总类别数，恭喜你在PPT里搜不到，搜到的只有你的茫然 - course project 和之前的评论说的一样，想拿高分（>=9）必须卷，如果能拿到pre的机会最好 - 虽然这门课确实事情不少，但是最后给分还可以（班里面有满分的同学），在成绩提交教务之前newly还在canvas上先发了一下成绩，听说有同学去argue最后成功提分了

大学三年混下来我头一次碰上——上课被老师喊起来答不上题是负收益，嘴一张一个问题答岔直接总评−0.5，炸裂了 作业报告也得卷出花来才能摸到9分往上，攀到10分基本得达到选你们上去做汇报的那张脸的水准，三次作业平均都在8分右一点，也就是说7分乃至更低的不会在人海里稀少 期末给得还行，勉勉强强挤进A，就勉强多加一颗星算是一个台阶下台阶。

课程内容： 上课自由度：high frequency quiz加抽问，没去直接往总评上砍刀 考核标准：超级严苛，期末均分73，总评均分76 授课质量：

课程内容：顾名思义，数据科学基础，菜单是特征工程/降维/距离度量/kernel trick/数据预处理/奇异值分解/特征值分解/域适应/域泛化，一整个套餐端上来。 上课自由度：一学期五次签到，每次两分。有三次点名回答问题，提前一天通知，点到了是1分，答出来是2分。两次课上做题，交了拿1分，每题做对0.5分，三题做对两题拿满（第二次做题怎么给分我忘了，脑子已离线）。出勤这块攥得比较死，但课上你干啥它不管你，你甚至可以在下面闭目养神。 考核标准：10%签到+10%*3作业（需英文报告，英语渣当场去世）+60%期末 授课质量：内容全是老师现搓的，体系感拉满，几乎不碰数学推导，纯讲思路，难度不高，讲得清楚得像开了字幕。每次上课先回锅上节课内容帮你回血。而且老师基本当你是AI零基础来喂，我这种菜鸡听着就是两个字：舒服。 平时作业给分听说也还行。老师自称一般给8/9分，只有特别敷衍才给6/7分，每次还选五份优秀作业上台展示，额外加分。本人第一次作业一晚上速通，因为英语渣几乎没分析，老师还是给了7分。后面两次因为迟交太多，虽然写得比较充分，但还是只给了6分，属于自己作的。期末题目也不难，一周速通，最后基本都会，扣分主要怪粗心。 就授课质量来看，个人感觉这是一门非常合适的人工智能入门课，学得舒坦（不像机器学习，那堆数学推导看得我头大）。主要缺点就是老师比较严格（主要是在屁股后面督促你学习）。要是课都去上，作业马马虎虎但按时交，最后总评上90也挺简单的。 （老师本科是科大的，这风格很符合我对科大的印象）

老师讲课比较清楚的，就是慢了点大家都懒得听，主打一个“内容没毛病，节奏要人命”。我看回放2.5倍速左右，感觉没前面评论说的那么差。 考试难度不高，给分很好。我没听过课，恶补了两天回放基本都会做，两天速通，属于是考前极限求生。 报告确实要卷，不卷就是实打实的扣分，很痛。

总的来说：慎选，慎到像走进雷区先原地立正。 五次小测排排坐，其中三次点名小测还提前通知，另外两次是纸质小测，突袭式的。纸质小测有一次没去，咔嚓一下直接扣两分，血条见底。 平时作业三次，学弟学妹听我一句劝：其他统统不重要，放图加水内容才是上分密码（。 期末虽说考概念的多，但内容杂得像把整个仓库倒出来——有些概念必须拉回放才看得懂。考前我重点刷PPT里一堆SVM的变种，结果卷子发下来考了个SVR。。。。

课程内容： ds，数据科学，数据“玄学”。 上课自由度： 低，五次quiz轮番轰炸，像连续五集的催更。 考核标准： 授课质量：低，低到想给它申请吉尼斯最下沉纪录。

平时分那是往死里砍啊，一堆人作业来回8/10。这次期末倒是挺讲武德，虽说有10分的题直接飘在划的考纲之外太空里，但好歹给调成0.2*x+8了。内容也算有点料，就是撒得又杂又浅像隔夜稀饭，加上老师讲课催眠效果一流，属实没人听。

- 内容上，牛老师上课是真的带脑子的。我通拉回放的时候，起码听得懂，他不是念经，是反复给你掰扯这个方法的朴素思想是啥，怎么把它建模、怎么形式化，一条线给你捋得清清楚楚，像给知识装了导航。 - 但平时分这块，跟别的专业课比，确实是拿显微镜查岗。签到十分，少签一次直接扣两分，本学期三次点到（提前通知）外加两次随堂小测。对我这种和线下课八字不合的人，就是自助餐式取舍，不上课愿赌服输，毕竟赌狗不得好死（这次考试正好有个随堂小测原题，可惜那次我没去，变相被扣大分o(一︿一+)o）。三次小作业，一般写了就能捞个8/10。 - 考试倒是比较温和。一半概念解释题，一半计算题（算向量和矩阵各种Norm，随便一个变种SVM的对偶形式，一个矩阵方程的形式解之类）。 --- 更新，考试给分还不错，超出考点的10分题直接给了8分。可惜平时分太严格，光平时分我就没了13分（当然是自己作的，没去上课被逮了没办法）

不是哥们，你别天天刷热度啊，这热度又不是什么火，看多了眼睛都起火星子

笑啦，我复习半天的那辅修和交叉，分还比复习一周的这门课高，您说这叫啥，叫往雪山上往门口倒？”不都卷不是中国人”已经把我盖脸按死在课桌上了。

课程内容：数据处理加机器学习范式，主打一个广撒网式观光，深度？深度是什么，能当饭吃吗，倒是完美呼应了“基础”这俩字，基础得像泡面里的蔬菜包。 上课自由度：挺高，除了3次提问可能还会蹦出一两次quiz，签到这事儿压根不存在，属于课堂界的自由职业。 考核标准：60期末，30project，10平时（提问＋quiz），这配比一出，平时分就是那把悬在你头顶的小镰刀。 授课质量：老师讲得其实还凑合，就是给分实在拉胯。平时project没有公开评分标准，全靠助教心情主观输出，老师开学画饼说project都是8-10分，结果这学期一堆7分砸下来，这些分可都是真真切切往你总评上砍的，所以这成了我为数不多考试分数比平时折算还高的课。作为大三专业方向课，给分真的不如其他几个方向。而且老师最后划的重点跟最后考试考点不是一家人，甚至没划到的地方跟划了的地方八竿子打不着，重点划了个寂寞。

讲真，上课就是一台人形PPT朗读机在冬眠式划水，偶尔良心发现抄两笔板书，但给分这块简直是拿刀捅你——慎选。 # 选择大于努力 别被下面那帮卷王写的彩虹屁忽悠了，这门课大部分人是吃不到高分糖的，隔壁cs其他方向的专业课均分都是90+起步。我猜今年一堆同学就是看选课社区那几条高分点评，外加那几个90+选手的现身说法，再叠上现在ai火上天的buff一头扎进来的，结果到了期末，大部分人肠子都悔成螺旋状了吧，瞅着自己平时作业被扣成跳水价，再加上**期末占60%还难得要命的期末考试**，期末周不破防都算你菩萨心肠。 ## 期末试题跟PPT给的考试范围大玩躲猫猫，起码有一个十分的大题压根不在圈定范围内 唉，是我们对老师的信任错付了。 说句良心话，老师这平时分给得有点离大谱，上大学头一回见你把要求老老实实肝完了，他扣分还能扣出一套连续技的。 ---------- 2024-06-29 18点27分 更新：现在瞅见这老师评价掉到2.5，也算是给后面的学弟学妹拉了根警报绳，别去碰期末占比巨大的专业课。我今天刷到编译原理一条点评，去年那门期末均分88，今年期末均分好像才70多（选这门课的学弟学妹保不齐也是看了选课社区高分点评冲进去的，但专业课数据太靓，那几个高分点评可能压根是异常值，对普通学生没有参考价值），期末占比大的专业课就是薛定谔的猫，永远是变数。我旁边那些因为海选没抢到这门课、转头选其他方向的同学全都因祸得福了，不用在期末周和考完之后破大防，最后还能摸到90+甚至95+，反观这门课均分只有83，大部分人摸不到90。拿图形学方向的专业课举例，两个水平差不多的同学，在图形学里大概率能拿95，到这门课只能80出头，就假装是83吧。（95-83）*3/135=0.267，一上一下差出0.267，这分差恐怖得能塞下两名或者三名的距离，对保研边缘人简直就是凌迟！！！ 希望学弟学妹看到今年这几条1分点评，明年别再被这门课从背后捅刀，挑软件工程方向或者图形学方向，那都是康庄大道。我这些话主要是说给cs普通学生听的，你要真是卷王，那不管选什么课我都信你必能95+。 上完这门课的感觉就像生吞了一只苍蝇，所以给学弟学妹们递个话：不管什么专业课，尽量挑大作业或者期末占比小的。我现在想起这门课海选时人山人海，差不多cs的人都去抢人工智能方向的课，其他方向就只有十几二十几个人问津。当然选别的方向也不是躺平，你想要好成绩一样得认真肝小作业大作业，按要求完成，成绩终归不会难看。然而， # 这门课你把基础要求做完了，可能也就只能捞7分或8分（满分10分）， 想拿高分你就得把报告卷成一朵烟花，传统方法加新方法轰出一堆结果，再配上满屏精美表格和图像，而且这些小作业的分是百分之百算进总评里的，不是完成基本要求就象征性扣一点点（我还记得计算机体系结构那门课平时分也挺严，但最后你只要按时交、不是乱写，平时分的作业项是给满的）。 假如cs同学都得修这门课，或者这几门专业课最终成绩都服从一个很像的分布，那我无话可说，但这位老师的给分操作实在太难绷了（就今年这情况，我觉得给分是**极不合理极不公平的**），哪怕考完好久了，我还时不时回来刷选课社区，就盼这届更多普通人肯讲自己的体会，别让那几条95+的点评继续给普通人选课放烟雾弹。我现在不建议什么慎选了，而是盼着明年别再有人选这门课（卷王除外）。这课刚开头，我一听说三次随机点名的课堂提问答不出按缺席处理，就对这老师萌生不出一点好感，虽说严师无可厚非，可选了这门课和没选的付出差不多汗水，按理该拿到差不多成绩吧。不知道明年老师会不会改点什么，但今年这态势，我只能强推别的方向。 # 我一颗星都不想给！！！！ ------------ 2024年7月2日01:34:20更新：打开选课社区看到人工智能方向另一门课点评#36766，颇有共鸣，今年人工智能方向给分对普通学生就是当头一棒，要是其他方向分数分布也跟这差不多，那我无话可说。但大三下两门课几乎能拉出三年平均学积分0.5的差距，这差不多相当于电院认可的竞赛拿了个全国二等奖，或者相当于你费尽心机重修几门课才抠出来的战果。不知道这方向明年会不会改，不过就这个学期的结果来看，只能说： # 快跑！！！！

小作业要扣分，课堂上探头探脑的参与度也扣分，平时分属于是还没开打血条就在哗哗掉那种……期末本人感觉吧，蛮结实的，给分也就那回事，一般般……就我个人体感，平时分对拉总评基本没搭把手，总评均分 82.7，搁在一门大三的专业课上……我不说，我不敢说，了不起了不起，当然也有大佬出来扔个几乎满分砸场子的。但据我所知隔壁确实有那么些没什么考试、还给分像散财童子的专业课QWQ

课程内容：数据处理加机器学习范式（包括迁移学习，zero/few shot这些） 上课自由度：高，但路上埋了三次随机点名提问，问的都是之前上课的内容，答不出给0.5分，人没来0分，没被点到或是答上来了给1分，计进最终成绩里。 考核标准： 点名小测10%+三个project 30% + 期末60% 讲课质量：讲课本身还行，但那3次project的给分标准完全是薛定谔的黑箱，交作业只看英文报告，打分助教没个明确的尺子，有人7分和助教一通battle，助教顺手就给加了一分（一次project满分10分，扣一分就是总评扣一分），内容基本差不多，分能差出一整条街。除这以外讲课质量还可以，最后一节课会给考试范围，大约只有讲过内容的一半。均分80，想选前掂量一下自己抗不抗给分低吧

授课内容: --- - Feature Engineering(考) —— 考前请熟读，考场请祈祷 - Curse of high-dimension(考) —— 维度一高，我人也高（血压） - Dimensionality reduction —— 降维，物理意义上把这门课的负担降一降 - Kernel trick(考) —— 核技巧，听着像核弹，实际是核善 - Distance Metric(考) —— 距离度量，量的是我和及格线的距离 - Data preprocessing —— 数据预处理，脏数据洗干净了，我的大脑还是脏的 - Data visualization —— 数据可视化，画得好看，知识点不进脑子 - Feature encoding —— 特征编码，把猫编码成1把狗编码成0，把我编码成摆烂 - Correlation and causation —— 相关不等于因果，选这门课不等于能学会，同理 - Singular value decomposition(考) —— SVD，线代没学好的此刻集体上头 - Eigen Decomposition —— 特征分解，分解完还是不会，但至少名字很唬人 - Zero-shot learning(考) —— 零样本学习，字面意义上我考前零样本 - Data domain —— 数据域，一个既熟悉又陌生的概念，就像我的绩点 - Domain adaption(考) —— 域适应，我适应不了这门课，这门课也适应不了我 - Domain generalization —— 域泛化，知识点泛化到全PPT，就是不泛化进我脑子 - Data sampling(考) —— 数据采样，采的是我的头发 - Multi-view learning —— 多视角学习，从多个角度看不懂 - Privileged information(考) —— 特权信息，听起来像老师偷偷告诉你的，实际没有 - Multi-label learning —— 多标签学习，一个样本贴好几个标签，像我的debuff - Multi-task learning(考) —— 多任务学习，同时摆烂多个任务 - Multi-instance learning —— 多示例学习，课上全是示例，考试全靠硬背 - Weakly supervised learning —— 弱监督学习，弱的是监督，强的是焦虑 - Few-shot learning —— 少样本学习，少到我复习时只剩几页PPT的印象 考核方式 --- 三次小作业(30%)+点名(10%)+期末考试(60%) 授课质量 --- Newly的授课更注重每一种方法的整体思想而不具体讲解每一步是如何操作的, 学完这门课你可以对绝大多数的"学习"的框架都有了一个基本的认识, 但都不深 —— 属于是给你发了整片森林的地图，但每棵树你只会画个轮廓。 三次小作业难度不大, 而且有很多可参考的内容,均分都在8以上, 最卷的(指老师让实现至少一种方法, 但他们实现了三四种还系统的比较+提出自己的创新点)五个同学会被老师邀请做Pre, 参加Pre的同学会获得1分的硬加分(加到考试成绩里而不是总评上). 但Newly会只在课堂上提一下自己要布置作业, 放在自己的个人主页但不在Canvas发布作业, 在DDL当天可能才会在Canvas上发布, 这时候如果你经常不去听课&&没有同学告你有作业的话, 大概率是做不完了 —— 主打一个信息游击战，作业像捉迷藏，你不去上课就等于自己把自己藏起来了。 关于点名, Newly的风格是, 在点名的前一到两天, 在群里通知大家下节课要点名.点名的形式是: 将所有同学的名字各自作为一帧图像, 所有图像按序排列便得到一段视频,循环播放随机暂停,暂停下来是哪个同学就点谁.他会准备十道题目, 被点到的同学答接下来的一道题, 如果答不出来就记作一次未出席. 三次提问的题目已经整理好放在传承上了 —— 属于是抽卡机制，还是非酋直接吃Not Attended的那种。 关于期末考试, Newly会在最后一节课给出考试范围, 我们是十个PPT, 看似是只考一半的内容,但因为这些ppt的内容都和其他的PPT内容相关, 所以需要看的内容会多一些,但考试题目的答案在这十个PPT都能找到(尽管有一些是在犄角旮旯里面.).具体考试题目已经放在传承上了,以泽后世.难度上来讲,大多是概念题,就硬背,个别计算题, 比如SVD分解(老师默认线代讲过),SVM+的推导等等会比较考验数学功底.据老师讲呢,往年还考过这些题目:给一个上课讲过的网络的模型图,写出每个模块的功能; 给一个矩阵的优化问题, 让给出求导后化简的结果 —— 范围说是十页PPT，实则十页PPT的每一个像素都能往外呼朋唤友，答案是有的，就是藏在某些你一秒钟都不想多看的角落里。 Newly在讲完每一段之后, 都会说一些自己对这个方法的理解, 认识, 评价. 可以看出,Newly对大部分技术细节非常了解,理论功底比较深厚, Newly是很注重每种方法的整体思想而非技术细节, 并且算是比较认真负责, 但又很Push的一个老师 —— 知识是真知识，推也是真能推着你跑。 期末考试情况, 均分80.5, 最高分100

课程内容：特征提取、降维、distance metric、SVD、domain adaptation、弱监督学习，一锅乱炖，主攻数据处理方向，菜码齐全但你别问为啥都在一盘里。 上课自由度：高到离谱，三次课堂点名回答，每次2分，上课前几天先给你打个招呼，还都是第二节课动手，所以掐点冲进去就行。 考核标准：60%期末考试，10%*3共3次个人小作业(以前是四个小组小作业)，10%点名。期末一般是概念填空和简答题，简答题里还有证明推导题。小作业调包。给分都高得像在做慈善。 讲课质量：高。

课程内容：前半学期拿数据处理开胃（降维、升维、特征提取那几件套），后半学期端上各种机器学习范式大菜（迁移学习、弱监督学习等等）。 上课自由度：高，三次随机点名提问都是提前打招呼的，还有不定时小测拿来充当点名。 考核标准：三个project 30% + 点名和小测10% + 期末60%。 aoq7 讲课质量：内容覆盖面大到仿佛地毯式轰炸，每个点都不挖深但整体脉络清晰得能跑地铁（隔壁tsk机器学习完全相反的方向），放在一门名字带“基础”两字的课里简直是座位靠里舒服到家。三个project独立拍板，每人交全英语报告，每轮挑几个人上台汇报还能给总评额外加buff。老师人非常好，期末也并非珠穆朗玛，复习认真些三位数这山头随便登。