机器学习 · 修读回执档案

课程内容：机器学习西瓜书和老师补充的一些内容，西瓜切开往算法里塞 上课自由度：高，想怎么调节学习姿势都行 考核标准：两次大作业和期末开卷考试，全场自助式输出 授课质量：还可以

课程内容：老旧的机器学习那套，再掺和点儿很水的神经网络，CNN，聚类，目标检测啥的都往锅里扔。 上课自由度：会的，老师会随机提问，请你精神点。 考核标准：课堂表现10%+大作业两次40%+期末考试50%。 讲课质量：低。另外说一嘴，第二次大作业我等于自学了将近十个小时的网课，才勉强摸到pytorch和tensorboard的门槛。那个英文ppt质量还很丑。期末考试也是一门玄学，整出论述题来了，给分还特别低。

课程内容：线性回归，logistic回归，SVM，决策树，集成学习，生成学习，神经网络，聚类，降维，半监督学习，深度生成模型——一口气念下来像报菜名。 上课自由度：无签到，有时有提问，提问来得毫无预兆那种。 考核标准：50%作业，50%考试。 讲课质量：讲得清晰，能听懂，会点出重难点。数学证证明大都省略。授课内容不包含算法实现。 1. 作业 两次大作业碰代码，平时作业里碰代码的部分都是选做。具体要写出来的是线性回归、logistic回归、决策树。具体要调库函数实现的是SVM、集成学习算法、CNN、K-means、PCA。本人以前搞过一些cs项目，也确定研究生会转码，所以平时作业对我这种选手难度不高。除CNN的组队作业外，其余每个半天内就能把代码和报告k完。不过很理解零基础的同学，第一次编程作业有位同学想双击打开py文件，简直像极了第一次接触python的我本人。建议嘛，好好用google和github找DEMO，是省时省力的正当操作。我原来用VS Code写和调试，到了用GPU的CNN作业实在懒得配tensorflow就直接上colab，之后就一直colab了，报告的话就直接交ipynb转pdf的结果。最后平时分98%，毕竟所有任务都出色完成了。 2. 考试 在张重阳老师的评论下有句话：“能够把机器学习这样的课程考试变成纯纯的文科试题也就只有信工这nt专业能做到了”，我深有同感。期末考有些题选自大厂面试题库，至少选择题都在里面。本人压根没准备过面试这种题，结果也证明了本人不适合“文科题”，拿了个77%。感觉是4分一道的选择至少错了3个，挺难受的。我觉得单论知识本身，那就考算法的数学推导；论机器学习在信工的应用，就像当年考cpp一样手写代码，可以调库函数，库函数记不住就考伪代码，或者算法底层实现。我更喜欢这种，但我喜欢的考法不现实。总而言之，期末题型我是认可的，但因为我分数低，我讨厌它。

课程内容：机器学习、AI相关内容外加一些算法思想浅尝辄止。要是你以前没接触过，开头那味就跟听天书差不多。大概得熬到快期末，我才勉强把要学的东西对上脑电波😂。属于那种上课拧螺丝、下课造飞机的节奏。大作业要用python写，熟手的话大概轻松一点。第一次作业就上波士顿房价预测，第二次还得拿神经网络做图像识别分类，反正我的感觉是难。 上课自由度：挺自由的，扫码签到这事到底有没有我忘了。 考核标准：平时10%，第一次大作业15%，第二次大作业25%，期末50%。 讲课质量：中规中矩，讲得还算仔细。就是期末给分不太友好，平时分也严格照占比来算，一分都不往上抬。

课程内容：传统的机器学习：SVM、决策树、深度神经网络等，经典老番合集 上课自由度：较高 会点名，想彻底摸鱼？没门，点名像定时闹钟 考核标准：10 考勤 + 40 大作业 + 50 考试 讲课质量：差，锅得老师和课程设计平分。首先信工开这门课，让一群连python都不会的同学直接上手写project，虽然很简单，但课上不讲代码，想体验沐神那种内容和coding结合的可以原地关机做梦了；课程内容很水，学生大概率学不到任何东西，想靠这课熟悉深度学习的请迅速绕行；最后能把机器学习考试变成纯纯文科试题的，也就只有信工这nt专业干得出来，最后的给分也属实是不高，成绩还不会四舍五入。说说这位老师，开学初我申请课程免听，结果要jwc和导师双重给他发email核实才行，离大谱，仿佛我申请的是出境许可；上课课件敷衍、内容质量都差，100%是抄袭的，来源有知乎、西瓜书、《统计学习方法》、吴恩达、李宏毅（本人恰好基本都学过），而且基本每页slide下面都不标来源，堪称无痕搬运；讲课质量，身边没有一位认真听的，可见讲得确实很烂。 总结：选哪位老师都一样，一个字“烂”；两个字“离谱”；三个字“逆大天”。真想入门ai，请绕道！

课程内容：机器学习，课件内容，跟西瓜书有一部分交叠，会有补充，内容比西瓜书少，但更细。 上课自由度：一般，每节课前回顾环节会点人提问。 考核标准：10平时40大作业50期末，期末那是流水线扣分，挨一刀一刀，大量主观题，扣分空间巨大。 讲课质量：讲课认真，互动很多。

课程内容：分类、回归、决策树、卷积神经网络等等。注意，是理论课！我一开始以为是来敲代码的，结果它是个理论课！ 上课自由度：本学期就上过两次线下，不太清楚。线上不要求扫码签到，但偶尔会点人回答问题。 考核标准：10%课堂表现+40%大作业（两次，一次分类和回归，一次图像识别）+50%开卷笔试（考试内容=上课内容≠书上内容） 讲课质量：咋说呢……跟着课听能明白，一下课自己看就看不懂了……大概也许应该的确是我的锅orz 备注：如果你是下学期想选这门课所以刷到了这条点评，我强烈建议你先学一学python！！！我就是python零基础硬上，大作业做得一头雾水，感觉像让小学生造火箭……课上讲的是理论，老师没怎么介绍具体代码实现，自己啥也不会做个大作业就非常烦orz…… 考试内容：题型是选择题（不定项，有可能单选有可能多选）+简答题+计算题+论述题。选择题和简答题主要考概念、性质一类；计算题给数据让你用算法算；论述题就是结合课堂内容和自己的感想，围绕题目谈。

课程内容：ML基础知识。 上课自由度：一般，会点人回答问题，搞得你不敢打瞌睡。 考核标准：10分平时、40分两次大作业、50分期末考试。 讲课质量：一般，期末现场学习机器学习，紧张刺激如看恐怖片。

课程内容：线性回归、SVM、决策树等传统的机器学习方法以及一点深度学习，老派功夫加一点点新潮佐料 上课自由度：高，爱来不来 考核标准：两次大作业（分别是sklearn和深度学习）+开卷考试 讲课质量：还行，虽然不是老师的研究方向，属于是硬着头皮上阵 电子系仅有的cs相关专业课，在你交各个机器学习课里面应该是最水的，适合交叉模块选，想摸鱼的速来