我以为的考试：复杂的 machine learning 概念辨析，精妙的数学证明。我会凭借我丰富的炼丹经验和数学直觉胜出。

实际的考试：没有计算器对吧，都 TM 给我去手算，喜欢我的大矩阵乘法吗，喜欢我的手动求导吗。哭？哭也算时间哦。

以及我觉得很非人的 regrade 规则：

Overview

课程质量一般，非必要不推荐选 syj（除非真没得选了）。作业难度适中，考试难度小于作业但题量较大；project 的 workload 取决于卷不卷，总的来讲是一门 workload 不大的课。至于给分，现在已经很少见不给 40% A 档的 CS 专业课了吧？

课程质量

正课懒得评价，感觉上课只是为了讲给自己听的，一整节课就坐在自己电脑前面看，全程不上几遍黑板。板书是几乎没有的，slides 是从 CMU 抄得四不像的，超级难的知识点是一节课就能讲完的（是的我说的就是 SVM）。总的来讲不推荐任何人在能选其他老师（zzp）的情况下来选这门，除非你也是大二下想选一门专业课水一水。

利益相关

基本每节课都去上过，最终得分 A

课程内容

主要就是机器学习的一些经典算法和模型，包含

授课内容

• 模型 + 原理；数学推导 + intuition；秋学期新增了 coding 讲解，但上课据说变的龟速
• 如果数学基础还行，上课跟下来然后写作业的时候复习一下基本就够了
• 上课风格引用我朋友的一句评价 “zzp 一讲数学就语速加快，能把自己给讲乐”😆
• 建议上课体感还行就跟课，感觉风格不对胃口就自学，slides 几乎没有超出参考书的内容。

上课体验

上课基本都是大段大段的数学公式以及公式推导，对公式推导不感兴趣的话上的会很无聊和煎熬。这也导致了同学们来上课的越来越少，最后只有十几个来听课，大多需要靠自学，听课体验很差。而且考试和作业基本都是数学题，不听课做起来很煎熬，虽然作业有编程题，但都比较基础，无法锻炼相关能力，个人认为作为大多数方向的必修课，不能不选，但是学到的东西实在有限，而且很费精力。

上课内容

内容涵盖了大多数的经典的机器学习算法，由于课上会出现大量的数学公式，所以需要一定的线性代数的基础，建议学之前再好好复习一遍线性代数，这样上起来可能会轻松一点。但还是建议对着课程大纲自学，并且学的时候不要只学皮毛，要关注深入背后的数学公式以及原理，因为这门课说到底还是一门数学课

评分标准

上课：

zzp 的上课真的，听都听不清，不如不去。上课内容对于理解机器学习（包括 DL 和传统 ML）的数学底层基础是有帮助的，让我们不再是一个调参掉包侠。

作业：

本人大二下上的这门课，之前对于机器学习没有任何的基础。课程从似然估计开始讲起，所以对于我这种上学期刚学完概率论的人来说还是比较友善的。但上完似然估计后课程难度就有点大了。本人是属于上课不怎么听的那种，会花大量的时间自学。出作业后就会花大量的时间泡在图书馆复习。所以作业每次都是在 95 分以上的。作业还是比较重要的，比较的具象化，比如说 pca 就是给几个数据降维就行，比单纯看原理要通俗易懂一点。作业中的编程题还是很有难度的，特别是对于我这种本身编程不好的同学来说，大一大二专业课用的都是 c++，突然用 python 没反应过来。还有关于机器学习中用的库，是要自己从头学用法。但是这一趟下来，确实起到了引论的作用，这对于我后期看别人的代码或者研究机器学习方向都有很大的帮助。

关于课堂，赵老师我之前听过学长的推荐，讲课还是对理解很有帮助的，但经常一个走神就不知道在推什么公式了。上课难度还是有的，但比作业和考试都大，所以听不懂大可不必担心，还是围绕课件学习就行。

关于考试，涉及的面很广，基本上每一个大章都有涉及。但是难度不是很大，赵老师自己圈重点的时候，每次遇到一个多维情况就跳过，也是引得同学们连连发笑。最后也是考了 73.5/100，均分是 50/100。

课程内容

前大半学期是孙露上课
首先会讲有监督学习，从比较基础的线性模型和概率统计方法开始
然后会讲 SVM，神经网络一类的
后面是赵子平上课

About AI 系列课程入门

首先科普：ML 是什么？ML 是 AI 的一个子集。IML 不是 AI，二者也无法互相替代。

AI：人工智能是一个很大的话题，并非只有 “深度神经网络” 这样的产物才算 AI。事实上，即使是一个 min-max 算法，或者图上的搜索问题（非常有算法与数据结构的感觉）也算是 AI。

比较赞同 @ORI 的评论："通常作业容易拿满，proj 区分度不大，比较看重最后的考试"。笔者 5 次作业平均分 88，考试略低于平均分，最终等第 B。关于课堂、作业、考试等的具体内容，这学期的其他评论也讲的很详细了。

出分之后还是有点惋惜的，这么好水的课没好好学结果拿了 B，但总之自作自受😔。强烈建议找个搭子一起学这门课：“作业对对很容易拿满”，前提是你得找得到人对答案；proj 能做些自己想做的事确实很 promising，但如果你缺乏机器学习应用层的基础能力和经验，又是自己一个人做 proj，又没有进组或组里学不到 ml，那还是比较痛苦的。

好在今年有个 proj 选题是 MNIST 手写数字识别（hello world），相当于是开了一扇后门吧。

关于上课内容和给分

前半学期孙老师讲，主要内容是 ESL 的分类和回归部分，后半学期赵老师主要讲了深度学习之类的... 感觉看 ppt 效果很佳（狗头），这里放一个周边极度有偏采样结果（），身边一起选的 14 个人都给了 A/A+，总之应该给分不错吧（大概）

关于 workload

2024 春学期，赵子平担任讲师。选课时看到 CourseBench 上一些同学对赵老师的评价，心里有点忐忑，然而上下来体感还行。赵老师上次单人教学已经是 3 个学期之前的事情了，所以这个学期和往届描述相比感觉是有一些差别的，总体而言从各个维度上赵老师的这门课都在变好。

授课方式

赵老师的授课方式为同学所诟病，主要原因可能来自三点：

作业总共五次，每次五道题，一般 4 道计算题一道代码题，都是很基础很简单的，代码题也就是让你复现一下最基础的算法，每次作业两三个小时就能写完。

zzp 可能上课有点难以听懂，他比较偏爱讲数学推导，基本上各个机器学习的算法的推导他都会讲一遍。

但是呢，考试（没有期中考只有期末考）以及作业都是只涉及算法最基本的层面，也就是说他上课讲的很多很复杂的公式和推导不需要掌握甚至听都不用听（我就没有），只需要知道算法最基本的知识点考试题都能做，期末考前 zzp 还会花一节课的时间带你划考试范围和重点，复习只要复习这部分就可以，大大减少复习的 workload，我认为考的不是很难，跟作业难度差不多甚至更简单，考了 70 + 最后拿了 a+。

Overview

• 覆盖面很广的机器学习理论入门
• 几乎是纯理论教学，对数学要求比较高

不对劲奥，怎么这么难且抽象（相比其他学校网课）

7/2/2024

课程内容：基本覆盖了传统统计机器学习到深度学习的基础内容和一些拓展，从最开始的 linear classification/regression 一路讲到 generative model，课程内容相对来说还是比较充实的。使用的教材前期是 ESL，后期是直接用 CMU 的 slides 来讲，也可以参考一下 PRML，统计学习方法啥的。ESL 会讲得比较多，所以总体而言孙露还是比较偏向频率学派？也因此前期难度会比较大，后期还行，基本就是理解性内容。课后会给往年的视频和一些 supplementary material 帮助复习和拓展，不过本人没怎么看过，不做评价。

教学质量：没怎么去听过课，不做评价。

作业：难度和 workload 约等于 0，writing 部分基本上搞懂上课讲了什么就能做了，coding 部分也较容易，有两次作业还是照搬的 231n。一般每次 HW 两小时内可以解决。

课程内容

课程整体的逻辑框架还是比较清晰的，可以看出孙老师对知识的理解也很透彻，但是感觉老师缺乏把知识有条理的讲出来的能力，经常听着听着就不知道在说什么了。课程难度上，虽然整体的知识是由浅入深的，但是实际上越前面的内容讲的越难，线性回归和分类那块引申了很多抽象的知识，反而后面的一些部分听起来很轻松。

这门课是纯纯的数学课，但是本身不需要很强的数学能力，只需要数学的运用能力，只需要看懂题目中各种数学符号表示的是什么，知道怎么用数学符号写明白解题逻辑，本身思路上是基本用不到什么数学的 trick 的。

从来没有上过让我如此有吐槽欲望的课

撒，细数 IML 的罪恶吧

课程内容紧凑多到爆炸

看到很多评论把赵子平老师说的很恐怖，其实还好。

赵老师的课确实前面部分讲的很费劲，自己看也很费劲（可能得好好读很多遍自己推一推，或许可以参考一下 prml 来学习），但是也不能说完全没用。考试不简单也不难吧。。给分，反正考试我只考了不到 70 但是也 A 了。proj 我也就是随处找了点代码假装复现了一些应用而已。

作业数学的部分很难很费劲，抛开数学，代码啥的都特别基础没意思，确实是 intro