毛晓军 · 数理统计修读档案

课程内容：参数估计、自助法、假设检验、线性回归、多元回归、逻辑回归、聚类算法等，一锅端上来，统计+机器学习自助餐，吃到扶墙 上课自由度：高，高到你可以在知识的海洋里自由漂浮，老师不捞你 考核标准：40%平时作业和60%期末大作业，平时作业题量较小，难度也不高，基本属于给你热身的。最后的大作业是要求找一个实际的数据集，结合课上的知识做统计分析，写一个报告。在最后的课上会有一个ppt的汇报，主要是展示大作业的想法和进度，然后老师会给一些建议 授课质量：高，介绍了很多统计和机器学习的方法和思想，讲解清晰详细，很多结论都会在黑板上推导一遍——黑板书就像现场直播推公式，结合对应的ppt还是很清晰的，会介绍一些方法产生的动机，课上也有很多具体的应用案例，收获很大

课程内容：传统统计的两大护法——点估计、区间估计，被按在地上进行了一场深入辅导，还时不时甩出篮球比赛、经典鸢尾花这种活体案例，帮我们把概念的灵魂给盘出来；经典部分讲完了也不收工，还要顺手给我们塞一点现代机器学习的口粮，不追求满汉全席，基本就是带你摸一摸某些领域的核心思想和它可能出没的应用场景。 上课自由度：高，有啥问题当场拍桌子讨论都行，课后堵老师交流也行。 考核标准：我是25年春上的这门课，当时是60%考试+40%作业。平时作业大多属于热身级别，理论和代码混着来，难度不大，代码量也不大。考试主打传统数理统计那一挂，你要是掌握到位，得高分完全没在怕的。听说最新一届改成了期末大作业（project）和作业相结合的形式。 授课质量：高，听当年的助教学长说，上课内容和ppt都是被反复盘过的，传统数理统计和现代机器学习里最重要、最实用的思想被精挑细选出来，课上对各种理论方法还会进行较为详细的推导，专治数学系同学的严谨学习胃。

课程内容：第一次开课，本来蓝图规划得堪比帝国大厦，结果只盖到一半，最后讲了概率论，估计（矩估计，极大似然估计），bootstrap，假设检验（Wald，LRT，NP引理），机器学习（线性回归，k-means等）。 上课自由度：较高，不太管你干什么，虽然不签到但你人太少一空座就当场暴露，存在感就是点名。 考核标准：40%平时+60%期末，两把手把命运掐住。 授课质量：中上等吧，个人感觉讲得还不错，统计知识还是往脑瓜里灌进去不少。wl还行，没有大作业，平时作业难度和频率适中，也是理论和代码题混合但代码题代码量不大。期末考不少纯概率论的内容（算协方差/期望等等），稍微有点不理解，NP引理忘了（也没出过这方面作业题）最后直接寄了。给分感觉确实一般，问了几个人平均分不算高，也听说批得比较严，刷分慎选，刷分建议选数院的选修课。

课程内容：本科数理统计那点货加一部分研究生数理统计（大概前四章）的货（主打ppt，书基本落灰） 上课自由度：较高（人少所以默认出勤，真管起来也就那样） 考核标准：40平时+60期末 授课质量： 作为一个不学统计的路人，期末给我的感觉是地狱本狱，最后一题是个ppt一笔带过的、上课也没细讲的招，直接20分大g砸脸上 然后我感觉这门课对想学统计的同学更友好一点，想说来瞅一眼的可能就有点错付了，讲的偏难，作业倒比较简单，考试又偏难，一般同学可能有点招架不住，而且平时讲课也不是很清楚（我觉着） 个人感觉可能得有点底子的人才能听得比较通顺，我全程的体感就是脑袋里串不起一条完整的逻辑链，本来想学的东西也没怎么捞到（当然倒是认识了不少本来不知道会存在的东西） 总体就是适合有一定统计基础或者以后就想干统计的同学，完全没基础、日后也压根不想碰统计的，劝退