李磊 · 最优化方法修读档案

课程内容：线搜索，梯度下降，牛顿法，kkt，对偶，线性规划和单纯形法，等式约束，内点法（今年内点法不考，等于这盘菜没端上来）。 上课自由度：你爱干嘛干嘛，佛系。但本学期有两次纸质签到，没签不会扣分，签了的话会加分（加在作业、小测里），相当于白捡。 考核标准：小测，平时作业，大作业，期末。小测其实蛮容易的，基本都来自讲义或者作业，别自己吓自己。期末有点难，前面判断题据他说大部份人平均错四五个，不过这不慌，因为才一分一个；关键是后面大题，差不多每一问都有8分左右，某个知识点没复习到就是一问下不了笔、全盘寄掉。不过不管怎么说，期末考的基本还是都来自他讲的东西（or讲义）或者作业。今年本以为梯度下降、kkt、对偶这三部份小测考过的考点期末就该退休了，结果万万没想到期末就是把小测变了个形，换件马甲又来上班。但反正他出卷每年都不一样，想考高分还是得全复习好。给分的话，看他发在群里的成绩图，总评平均大概就80出头吧。如果不是准备好花较多时间在这门课上，还是谨慎选课，毕竟事是真有点多，妥妥的时间黑洞。 授课质量：其实也还行吧，虽然平时没怎么听过，但有时会敲几下黑板重点。比方说某一次课发改好的小测卷的时候，他提了一嘴“你们可以思考一下把这次小测的目标函数套个复合函数，会怎么样”，结果期末真就这样考了。再例如讲ADMM法的时候，他提了一个稀疏优化的例子，结果期末就考了，而这个例子讲义上没有，属于见过就会、没见过就当场社死型题目。所以说还是可以去教室稍微听一下，或者复习的时候速通一下回放，耳朵挂着有奇效。

课程内容：线搜索，梯度下降，牛顿法，KKT条件，线性规划和单纯形法，对偶，优化算法 上课自由度：高，偶尔来几个手写签名签到，但这玩意儿似乎是加分无望、减分无忧，它唯一的用途就是给签到人数算命，用这个数决定最后的优秀率（即85分以上人数） 考核标准： 平时作业30，六到七次，理论编程参半，难度分量都不客气，是吞时间黑洞，助教给分也堪称铁面无私，按正确率一分一分抠。大作业15，自学 numerical optimizition 四五六章里挑一章出来，交一份报告，这个给分就玄学了，助教手里的理由听得我满头问号，但话说回来扣的其实也没那么狠，等看到总评的那一瞬我好像忽然全都悟了。小测15，平时考四次，挑出三次最高的，每次15分钟，一两道题速战速决。期末考试40，允许带一张公式纸，难度也不跟你客气。照老师在群里的说法是捞过的，只可惜捞完水位也不见得多动人，或许真是我自己对自己滤镜太厚，而老师是真的在水底已经捞不动我了。 授课质量：多数时候能把话说明白，但上课犯错频率实在是有点过密，基本上节课课都有大或者小的卡壳、返工纠错名场面，听课体验像坐过山车飘忽。 总而言之，劝君在选它之前先对着镜子掂量一下自家本事，想一想自己到底是不是非这块核心学积分不可、能不能往这科里灌进大把时间，尤其是当你把它和那些给分注水膨胀的大二大三专业课并排放时，心态到底兜不兜得住。开学时这门课黑压压来了一百多人，中期退课结算完现场只剩下一半陪着，留下来的一看你眼神就知道人家心里有数，我认得的不少大腿也都纹丝不动没跑，在这个基数向上，给分大概是数院中游那一卦。总结一句，请谨慎下注，选定了就铆足劲往里砸时间好好跟它磕。

课程内容：四大门派。第一部分无约束优化，梯度下降、牛顿法还有它的变体全体出列；第二部分KKT条件、线性规划、单纯形法；第三部分对偶理论；第四部分凸优化，投影梯度、交替方向乘子法、不可行起始牛顿法、内点法一个不少。每节课发讲义，英文的，讲的全是讲义上的东西。参考书传承上Numerical Optimization和Convex Optimization都有。 上课自由度：签了两三次到，全是纸质签到，古法打卡。 考核标准（懒得写了直接粘贴）： • Homework (30%). If coding is needed, you can use whatever language you prefer. Python and MATLAB may be easier to get started. Please indicate your designed algorithm in the homework and show your results via figures or tables. The actual code should be submitted as appendices only. • Quiz (15 %) There will be three-four quizzes over the semester. In each quiz, there will be 1 problem and you solve them in 10-20 minutes. • Independence study (15%). You choose one topic from the following three which we do not have enough time to cover in class: 1) trust region methods; 2) conjugate gradient methods 3) quasi-Newton methods (in particular, Chapter 4, 5 and 6 in the book “Numerical Optimization”) by yourself. Use what you studied to solve an application you found. • Final exam (40%) There will be a final exam. One cheating sheet of size A4 is allowed. 授课质量：较一般，这个授课质量建议自学，我基本都是辅以看书或者看讲义自学。老师基本上是对着讲义抄，每节课都给人一种备课极其不充分的感觉，就那个单纯形表法的例子，老师上课自己都没算明白，每节课都要卡壳几次。当然可能是老师科研确实比较忙。助教批作业极其严格，扣分扣得很狠，只看正确率不看做的认真程度，有点离谱。不过作业答案助教都做得很认真。小测题目还好，肯定没期末考题难。期末考试非常难，只能等老师捞了。综上这门课内容挺丰富的，去看那两本教辅一定会大有收获，单单靠课上听老师讲感觉学到的很有限，而且这个授课质量真的很容易听不下去。 如果想了解这门课作业难度可以看看[2024年秋6次作业及答案](https://share.dyweb.sjtu.cn/course/18290)

课程内容：自学。“这个我默认你们会”“这个没时间讲你们下课自己看” 上课自由度：高 考核标准：30作业15大作业15小测40期末 授课质量：真的低，一直平淡地念经，照着笔记抄，重点是什么不存在的。他上这门课仿佛就是在16次课里把英文讲义翻译成中文抄一遍就完事，一节课抄不完就下节课接着抄，反正16次课内抄完就下班。所以每次课的内容都碎得像被猫抓过的拼图。 作业巨多，几乎都是证明，还有编程，编程题甚至题目只给一半，另一半自己想去吧。给分很难看，自己嘴上说不要求证明很严格、意思到即可，实际上即使是很显然的一步，但凡你直接跳了，如果是作业，一整题的分就没了，如果是小测，1/10分就没了。

课程内容： Numerical Optimization 与 Convex Optimization两本书的内容，两本就够压垮书桌了 上课自由度： 高 考核标准： 45%期末考试+10%小测+45%作业与读书笔记 授课质量： 非常高，备课充足，上课节奏快，难度也比较高，但是一节课听下来挺爽的，对自己提升也很大。前置的数学基础不多，数学二专的同学可以考虑作为专业选修课，属于是听起来像跑步机上狂奔，但跑完还真觉得自己有肌肉了。

课程内容：数值最优化、凸优化，对，就是课本一翻开每个符号都在对你微笑那种 上课自由度：不签到，但冷不丁塞你一发随堂小测，像走在路上被鸽子袭击 考核标准：考试45%+三次小测取两次10%+大作业15%+作业30% 授课质量：太难了不推荐，四大皆空都没它空

课程内容：最优化各种算法+理论，覆盖面小但挖得深，挖到最后有点像在矿井里做高数，有点难 上课自由度：不签到不点名，纯靠交纸质作业维系师生缘分 考核标准：平时作业多到像健身环打卡，（理论题+代码题）双管齐下，大作业还好。期末考试70%，比较难 讲课质量：讲得挺好的