From 07115df79af678131bec594665f0bd2b0de05d18 Mon Sep 17 00:00:00 2001 From: 2292709082 <2292709082@qq.com> Date: Tue, 9 Jun 2026 09:04:46 +0000 Subject: [PATCH 1/4] GITBOOK-2: No subject --- SUMMARY.md | 1 + ...en-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md | 119 ++++++++++++++++++ 2 files changed, 120 insertions(+) create mode 100644 pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md diff --git a/SUMMARY.md b/SUMMARY.md index 72758c7..057511b 100644 --- a/SUMMARY.md +++ b/SUMMARY.md @@ -27,6 +27,7 @@ * [离散数学（专业基础）](pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/li-san-shu-xue-zhuan-ye-ji-chu.md) * [数据结构（专业基础）](pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/shu-ju-jie-gou-zhuan-ye-ji-chu.md) * [几何学基础（专业选修）](pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ji-he-xue-ji-chu-zhuan-ye-xuan-xiu.md) + * [人工智能与机器学习基础](pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md) * [大二春季学期](pei-yang-fang-an-jie-xi/da-er-chun-ji-xue-qi/README.md) * [人工智能基础（专业选修）](pei-yang-fang-an-jie-xi/da-er-chun-ji-xue-qi/ren-gong-zhi-neng-ji-chu-zhuan-ye-xuan-xiu.md) * [人工智能原理与技术（专业选修）](pei-yang-fang-an-jie-xi/da-er-chun-ji-xue-qi/ren-gong-zhi-neng-ji-chu-zhuan-ye-xuan-xiu-1.md) diff --git a/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md new file mode 100644 index 0000000..57b3b7a --- /dev/null +++ b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md @@ -0,0 +1,119 @@ +--- +description: 学分4.0 +--- + +# 人工智能与机器学习基础 + +### 一、课程定位 + +AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习算法及其数学原理。2025秋的课程不设期末考试，所有成绩均来源于实验（Lab）、大作业（Final Project）和书面作业（HW）（当然后续有没有考试我也不知道）。课程可高替机器学习A，但是以后机器学习A应该不开了所以大家就上这门课就行。由于是AI专业的第一门专业核心课以及很多外院同学修读，班级会同时有大二与大三学生，竞争非常激烈，对自驱力和工程实践能力要求较高。课程目标是通过课堂理论学习与课外编程实践，使学生掌握从数据预处理、模型实现到结果分析的全流程。课程讲授内容包括但不限于：线性回归、逻辑回归、正则化、神经网络基础、聚类、EM算法、PCA降维、决策树、集成学习、SVM、强化学习。 + +据小道消息，2026年秋季本门课程将由王翔老师、张岸老师、王杰老师和冯文杰老师各自开设一个课堂并组成课程组，统一作业、实验和考核标准。 + +*** + +### 二、教学内容 + +课程由**课堂讲授**与**课外实验**两部分并行组成。 + +#### 1. 课堂讲授 + +主要讲解机器学习算法的数学推导，内容覆盖： + +* 线性模型（线性回归、逻辑回归）与梯度下降优化； +* 高斯混合模型（GMM）与期望最大化（EM）算法； +* 决策树及其分裂准则（信息增益、基尼系数）； +* 支持向量机（SVM）、核函数与对偶问题； +* 搜索与博弈问题中简单的优化思想。 + +神经网络相关内容在课堂上涉及较少，但实验和大作业中会大量用到，需自行补充学习。 + +#### 2. 实验任务 + +全部实验需用 Python 完成，代码部分要求在给定框架下补全，并撰写实验报告。实验主题将与课堂强相关并弱相关。强相关是指内容强相关，弱相关是指在课堂上好好学并不能保证能写出来代码。同时，实验可能会涉及大量需要自学的部分，请同学们做好投入大量时间的准备，尤其是对python不熟悉的同学。 + +2025秋季学期的实验组成如下： + +* **Lab1：线性回归与分类器**\ + 数据预处理、回归模型的前向与反向传播、解析解推导、手写 sigmoid 函数、逻辑回归分类。选做内容包括特征工程与正则化。 +* **Lab2：PCA 降维与 GMM 聚类**\ + 对 MNIST 数据集进行主成分分析与 GMM 聚类，需实现主成分提取、责任矩阵计算与 EM 更新步骤，并设计聚类评估指标。 +* **Lab3：决策树、集成学习与 SVM**\ + 分为三个子实验： + * 决策树：信息熵计算、结点分裂逻辑与树的构建； + * 集成学习：实现 voting、bagging（Bootstrap 采样）和 AdaBoost（SAMME 算法），选做 GBDT 与 Stacking； + * SVM：手写核函数、编写网格搜索代码以调参。 +* **Final Project：强化学习五子棋** + * WarmUp：强化学习路径搜索和策略搜索，实现Q-learning和ε-greedy策略等
+ * 基于 Actor-Critic 等强化学习方法训练一个五子棋智能体，需要完成神经网络搭建、奖励设计、自我博弈训练，最终与官方 baseline 模型对弈评估胜率。 + +#### 3. 书面作业（HW1\~HW3） + +作业以数学证明和代数推导为主，例如反向传播中的跨层梯度计算。题目往往需要自学课上未讲到的内容，计算量较大。做作业的时候你可能会遇到大量的概统、随机过程证明和人肉计算机题目，这是机器学习理论中不得不品的一环，请同学们做好心理准备。同时，单纯使用大模型做题并不能让你获得一个好的分数，这点还请同学们注意。 + +*** + +### 三、所需的前置知识 + +请在开课前或课程早期完成以下准备，以降低实验完成难度。 + +1. **Python 编程** + * 基本语法：变量、控制流、函数、类； + * 数据处理库：numpy（矩阵运算、广播）、pandas、matplotlib； + * 建议熟悉 Jupyter Notebook 或 VS Code 的开发环境。 +2. **数学基础** + * 线性代数：矩阵乘法、特征值与特征向量、**矩阵微分**； + * **概率论与数理统计：条件概率、高斯分布、期望最大化思想**； + * 数学分析：偏导数、**梯度**、**链式法则**。 + * 如有可能的话，提前学习一些随机过程知识。 +3. **神经网络基础知识（自学为主）** + * 前馈神经网络（FNN）结构及反向传播机制； + * 卷积神经网络（CNN）原理； + * 残差连接（ResNet）的结构与作用； + * 深度学习框架：推荐 PyTorch，掌握张量操作、模型定义、训练循环等基本用法。 +4. **工具与环境** + * 建议配备支持 CUDA 的独立显卡，可大幅缩短模型训练时间； + * 若本地无 GPU，可提前注册并熟悉云端算力平台（如 正在开发的107：[https://107.ustc.edu.cn/dashboard](https://107.ustc.edu.cn/dashboard)），注意先在本地验证代码再上传运行，并及时下载训练输出与模型参数； + * 建议配置可访问国际互联网的网络环境（科学上网），便于查阅技术文档和使用部分 AI 工具。 + +*** + +### 四、取得更高分数的具体方法 + +本课程所有分数均来源于实验报告、大作业效果以及作业完成情况，以下建议直接关联评分要点。 + +1. **完成消融实验并体现在报告中**\ + 消融实验即控制变量法：固定其他条件，每次只改动一个超参数（如学习率、正则化系数、网络层数），记录并对比实验结果。报告中需包含清晰的对比图表与分析说明，这是评估“思考量”的关键依据。仅列出最终结果而不展示调参过程和中间输出，会被视为分析不充分，导致大量失分。 +2. **保证模型效果，不要低估效果分占比**\ + 虽然可l能o口h头表示“结果指标仅占小部分”，但实际评分中对效果有硬性要求。例如 Final Project 中，若模型对弈胜率未能超过 baseline，会直接扣除可观的总评分数（2025秋为6.25分）。因此，在完成实验时，应将提升客观指标（准确率、胜率、聚类评分等）作为首要目标，再以此为基础撰写分析报告。 +3. **合理使用 AI 工具，以理解代码为导向**\ + AI 辅助编程在本课程中普遍且必要，但应避免直接将生成代码作为最终提交内容。建议按以下流程操作： + * 阅读实验要求与框架代码； + * 使用 AI 生成基线解决方案； + * 逐段分析代码，理解每一部分对数据和模型的操作； + * 根据分析结果自行调整模型、超参数或特征； + * 对优化后的结果进行归因分析，撰写报告。\ + 切勿直接复制 AI 的分析文本，报告内容需体现自己的实验决策与推理过程。 +4. **认真准备实验验收环节**\ + 不同实验的验收形式可能不同（如现场问答、限时选择题），可能考查实验细节、公式含义和算法实现原理。每完成一个实验，应确保能脱离代码解释以下内容：所用模型的数学表达、关键步骤的算法流程、超参数的作用以及实验设计的理由。 +5. **加强神经网络与框架自学**\ + 课堂对神经网络涉及有限，而 Lab 和 Final Project 几乎全部依赖神经网络与 PyTorch/TensorFlow。最晚在 Lab2 结束前，需掌握如何搭建并训练一个完整的网络模型，包括数据加载、损失函数选择、优化器配置与训练循环。遇到未知领域时，直接查阅官方文档、技术博客或学术论文，不要等待课堂教学。 +6. **时间管理与硬件准备** + * 单个实验从上手到完成报告可能耗费数十小时，务必在 DDL 前预留充足时间，尤其 Lab3 实质为三个独立任务的组合。 + * 书面作业证明题计算量大，不要与实验截止时间重叠规划。 + * 若使用云 GPU，提前测试环境连通性和数据存储流程，避免训练中断导致数据丢失。 + +*** + +### 五、更有效地学习人工智能的建议 + +1. **从数学原理出发，通过实现加以验证**\ + 每学习一个模型，先理清其目标函数、优化方法和更新公式，再用代码复现。对照推导检查代码的输出，例如验证 GMM 的 E 步与 M 步更新后似然是否上升，可加深对算法本质的理解。 +2. **建立经典方法与深度学习的关联**\ + 课程覆盖大量传统机器学习算法，它们所体现的偏差-方差权衡、集成思想、核方法等在深度学习中仍然有效。在学完 SVM 后思考其与感知机的联系，或对比 GBDT 与残差网络中的残差学习，有助于构建完整的知识体系。 +3. **以研究性思维对待实验**\ + 不仅完成必做任务，还可自主提出扩展问题，如“更换数据集后模型性能如何变化”、“该假设是否在特定分布下失效”。在报告中展示这些探索，既能提高分数，也能训练发现与解决问题的能力。 +4. **将 AI 定位为效率工具而非替代品**\ + 用 AI 解释报错、生成样板代码或总结论文要点，但保持主动学习：亲自写出关键函数、手算简单梯度、独立绘制损失曲线。这样既能借助工具加快进度，又不会因过度依赖而架空自身技能。 +5. **重视效率与健康平衡**\ + 频繁熬夜并非完成课程的必要条件。通过提前准备 Python 与神经网络基础、善用算力资源和合理分解任务，可在保证学习质量的同时降低身心消耗。遇到难以解决的障碍时，向助教、同学或已有经验的高年级学生请教，通常比独自长时间试错更高效。 From 4ef60a4770ad4f33d0ccfaab2cac70fe26a6808b Mon Sep 17 00:00:00 2001 From: 2292709082 <2292709082@qq.com> Date: Tue, 9 Jun 2026 09:24:41 +0000 Subject: [PATCH 2/4] GITBOOK-3: No subject --- .../ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md | 13 +++++++++---- 1 file changed, 9 insertions(+), 4 deletions(-) diff --git a/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md index 57b3b7a..4086d1c 100644 --- a/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md +++ b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md @@ -85,7 +85,7 @@ AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习 1. **完成消融实验并体现在报告中**\ 消融实验即控制变量法：固定其他条件，每次只改动一个超参数（如学习率、正则化系数、网络层数），记录并对比实验结果。报告中需包含清晰的对比图表与分析说明，这是评估“思考量”的关键依据。仅列出最终结果而不展示调参过程和中间输出，会被视为分析不充分，导致大量失分。 2. **保证模型效果，不要低估效果分占比**\ - 虽然可l能o口h头表示“结果指标仅占小部分”，但实际评分中对效果有硬性要求。例如 Final Project 中，若模型对弈胜率未能超过 baseline，会直接扣除可观的总评分数（2025秋为6.25分）。因此，在完成实验时，应将提升客观指标（准确率、胜率、聚类评分等）作为首要目标，再以此为基础撰写分析报告。 + 虽然老师和助教可能会（一定会）表示“结果指标仅占小部分，大家要把重心放在报告和思考上”，但实际评分中对效果有硬性要求。例如 Final Project 中，若模型对弈胜率未能超过 baseline，会直接扣除可观的总评分数（2025秋为6.25分）。因此，在完成实验时，应将提升客观指标（准确率、胜率、聚类评分等）作为首要目标，再以此为基础撰写分析报告。当然这并不意味着报告不重要，相反，**报告很重要**。一定要认真写报告。 3. **合理使用 AI 工具，以理解代码为导向**\ AI 辅助编程在本课程中普遍且必要，但应避免直接将生成代码作为最终提交内容。建议按以下流程操作： * 阅读实验要求与框架代码； @@ -112,8 +112,13 @@ AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习 2. **建立经典方法与深度学习的关联**\ 课程覆盖大量传统机器学习算法，它们所体现的偏差-方差权衡、集成思想、核方法等在深度学习中仍然有效。在学完 SVM 后思考其与感知机的联系，或对比 GBDT 与残差网络中的残差学习，有助于构建完整的知识体系。 3. **以研究性思维对待实验**\ - 不仅完成必做任务，还可自主提出扩展问题，如“更换数据集后模型性能如何变化”、“该假设是否在特定分布下失效”。在报告中展示这些探索，既能提高分数，也能训练发现与解决问题的能力。 + 不仅完成必做任务，还可**自主提出扩展问题**，如“更换正则化方法后模型性能如何变化”、“假设是否会在特定分布下失效”。在报告中展示这些探索，既能提高分数，也能训练发现与解决问题的能力。 4. **将 AI 定位为效率工具而非替代品**\ 用 AI 解释报错、生成样板代码或总结论文要点，但保持主动学习：亲自写出关键函数、手算简单梯度、独立绘制损失曲线。这样既能借助工具加快进度，又不会因过度依赖而架空自身技能。 -5. **重视效率与健康平衡**\ - 频繁熬夜并非完成课程的必要条件。通过提前准备 Python 与神经网络基础、善用算力资源和合理分解任务，可在保证学习质量的同时降低身心消耗。遇到难以解决的障碍时，向助教、同学或已有经验的高年级学生请教，通常比独自长时间试错更高效。 + +### 六、老东西的焚诀 + +* 如果想要更加充实的报告，建议尽量做附加实验，这能让你的报告内容比别人多一大截。有些时候我们会发现没有附加实验，这个时候，**走不通的路就用拳头来打开**。如果你做了附加实验，那么你的报告应当体现如下内容：为什么会想到这样做？这样做有没有可供支撑的数学原理？这样做以后结果如何？为什么？有什么启示？ +* 如果想要更好的实验效果，建议咨询大模型。大模型的世界知识一定是比现阶段绝大多数同学要丰富的，问大模型如何提高效果虽然不一定能保证提高效果，但一定能打开思路。机器学习是一个非常广的领域，通过大模型你可以接触到比课堂上多得多的东西。当然，大模型生成的信息并不完全准确，这个时候可能需要使用常规途径检索信息。 +* 要体谅助教，要和助教保持良好的关系。助教同学需要承担巨大的压力并完成实验从设计、评估、验收、讲解和总结的全流程，而且经常由于经验不足和神秘的优秀率限制而身败名裂。可以对得分产生不满的情绪，但是不要和助教大打出手或者随便把助教挂在评课社区。 +* 这门课的优秀率绝对满足不了同学们的需求。2025秋的优秀率有55%+，但依然满足不了同学们的需要。据不完全统计，修读这门课的同学包括但不限于大二AI、大三DS、大三数院部分同学、大二大三CS部分同学等。请同学们做好心理准备。拿不到高分≠不行，来上这门课的同学可以说都很优秀，不要因为这一门课的成绩产生自我怀疑。 From 26abc8e40c00ed939792b438ee8e1cfaa5417ffb Mon Sep 17 00:00:00 2001 From: 2292709082 <2292709082@qq.com> Date: Tue, 9 Jun 2026 09:26:31 +0000 Subject: [PATCH 3/4] GITBOOK-4: No subject --- .../ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md | 7 ++++--- 1 file changed, 4 insertions(+), 3 deletions(-) diff --git a/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md index 4086d1c..ad15675 100644 --- a/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md +++ b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md @@ -97,9 +97,9 @@ AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习 4. **认真准备实验验收环节**\ 不同实验的验收形式可能不同（如现场问答、限时选择题），可能考查实验细节、公式含义和算法实现原理。每完成一个实验，应确保能脱离代码解释以下内容：所用模型的数学表达、关键步骤的算法流程、超参数的作用以及实验设计的理由。 5. **加强神经网络与框架自学**\ - 课堂对神经网络涉及有限，而 Lab 和 Final Project 几乎全部依赖神经网络与 PyTorch/TensorFlow。最晚在 Lab2 结束前，需掌握如何搭建并训练一个完整的网络模型，包括数据加载、损失函数选择、优化器配置与训练循环。遇到未知领域时，直接查阅官方文档、技术博客或学术论文，不要等待课堂教学。 + 课堂对神经网络涉及有限，而 Lab 和 Final Project 几乎全部依赖神经网络与 PyTorch/TensorFlow。最晚在 Lab3 结束前，需掌握如何搭建并训练一个完整的网络模型，包括数据加载、损失函数选择、优化器配置与训练循环。遇到未知领域时，直接查阅官方文档、技术博客或学术论文，不要等待课堂教学。 6. **时间管理与硬件准备** - * 单个实验从上手到完成报告可能耗费数十小时，务必在 DDL 前预留充足时间，尤其 Lab3 实质为三个独立任务的组合。 + * 单个实验从上手到完成报告可能耗费数十小时，务必在 DDL 前预留充足时间。 * 书面作业证明题计算量大，不要与实验截止时间重叠规划。 * 若使用云 GPU，提前测试环境连通性和数据存储流程，避免训练中断导致数据丢失。 @@ -118,7 +118,8 @@ AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习 ### 六、老东西的焚诀 -* 如果想要更加充实的报告，建议尽量做附加实验，这能让你的报告内容比别人多一大截。有些时候我们会发现没有附加实验，这个时候，**走不通的路就用拳头来打开**。如果你做了附加实验，那么你的报告应当体现如下内容：为什么会想到这样做？这样做有没有可供支撑的数学原理？这样做以后结果如何？为什么？有什么启示？ +* 如果想要更加充实的报告，建议尽量做附加实验，这能让你的报告内容比别人多一大截。有些时候我们会发现没有附加实验，这个时候，**走不通的路就用拳头来打开**。如果你做了附加实验，那么你的报告应当体现如下内容：为什么会想到这样做？这样做有没有可供支撑的数学原理？这样做以后结果如何？为什么？有3什么启示？ * 如果想要更好的实验效果，建议咨询大模型。大模型的世界知识一定是比现阶段绝大多数同学要丰富的，问大模型如何提高效果虽然不一定能保证提高效果，但一定能打开思路。机器学习是一个非常广的领域，通过大模型你可以接触到比课堂上多得多的东西。当然，大模型生成的信息并不完全准确，这个时候可能需要使用常规途径检索信息。 * 要体谅助教，要和助教保持良好的关系。助教同学需要承担巨大的压力并完成实验从设计、评估、验收、讲解和总结的全流程，而且经常由于经验不足和神秘的优秀率限制而身败名裂。可以对得分产生不满的情绪，但是不要和助教大打出手或者随便把助教挂在评课社区。 * 这门课的优秀率绝对满足不了同学们的需求。2025秋的优秀率有55%+，但依然满足不了同学们的需要。据不完全统计，修读这门课的同学包括但不限于大二AI、大三DS、大三数院部分同学、大二大三CS部分同学等。请同学们做好心理准备。拿不到高分≠不行，来上这门课的同学可以说都很优秀，不要因为这一门课的成绩产生自我怀疑。 + From 5e53567b6ca486903e34a0eac09deb22732a9940 Mon Sep 17 00:00:00 2001 From: 2292709082 <2292709082@qq.com> Date: Tue, 9 Jun 2026 09:38:23 +0000 Subject: [PATCH 4/4] GITBOOK-5: No subject --- .../ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md | 14 ++++++++++---- 1 file changed, 10 insertions(+), 4 deletions(-) diff --git a/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md index ad15675..a8321fd 100644 --- a/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md +++ b/pei-yang-fang-an-jie-xi/da-er-qiu-ji-xue-qi/ren-gong-zhi-neng-yu-ji-qi-xue-xi-ji-chu.md @@ -4,6 +4,8 @@ description: 学分4.0 # 人工智能与机器学习基础 +Represent by Wanglulu：wanglulu114514@mail.ustc.edu.cn + ### 一、课程定位 AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习算法及其数学原理。2025秋的课程不设期末考试，所有成绩均来源于实验（Lab）、大作业（Final Project）和书面作业（HW）（当然后续有没有考试我也不知道）。课程可高替机器学习A，但是以后机器学习A应该不开了所以大家就上这门课就行。由于是AI专业的第一门专业核心课以及很多外院同学修读，班级会同时有大二与大三学生，竞争非常激烈，对自驱力和工程实践能力要求较高。课程目标是通过课堂理论学习与课外编程实践，使学生掌握从数据预处理、模型实现到结果分析的全流程。课程讲授内容包括但不限于：线性回归、逻辑回归、正则化、神经网络基础、聚类、EM算法、PCA降维、决策树、集成学习、SVM、强化学习。 @@ -78,7 +80,7 @@ AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习 *** -### 四、取得更高分数的具体方法 +### 四、如何获取更高的分数 本课程所有分数均来源于实验报告、大作业效果以及作业完成情况，以下建议直接关联评分要点。 @@ -102,10 +104,13 @@ AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习 * 单个实验从上手到完成报告可能耗费数十小时，务必在 DDL 前预留充足时间。 * 书面作业证明题计算量大，不要与实验截止时间重叠规划。 * 若使用云 GPU，提前测试环境连通性和数据存储流程，避免训练中断导致数据丢失。 +7. **考试** + * 如果有考试，建议至少提前两周开始复习。根据25秋的作业题以及机器学习A的风评来看，本门课程如果组织考试考试将会是腥风血雨。 + * 如果明确有考试，意味着实验分数的比重会相应降低。 *** -### 五、更有效地学习人工智能的建议 +### 五、如何更有效地学习 1. **从数学原理出发，通过实现加以验证**\ 每学习一个模型，先理清其目标函数、优化方法和更新公式，再用代码复现。对照推导检查代码的输出，例如验证 GMM 的 E 步与 M 步更新后似然是否上升，可加深对算法本质的理解。 @@ -116,10 +121,11 @@ AIML 是为大二学生开设的专业基础课，主要讲授经典机器学习 4. **将 AI 定位为效率工具而非替代品**\ 用 AI 解释报错、生成样板代码或总结论文要点，但保持主动学习：亲自写出关键函数、手算简单梯度、独立绘制损失曲线。这样既能借助工具加快进度，又不会因过度依赖而架空自身技能。 -### 六、老东西的焚诀 +### 六、焚诀 * 如果想要更加充实的报告，建议尽量做附加实验，这能让你的报告内容比别人多一大截。有些时候我们会发现没有附加实验，这个时候，**走不通的路就用拳头来打开**。如果你做了附加实验，那么你的报告应当体现如下内容：为什么会想到这样做？这样做有没有可供支撑的数学原理？这样做以后结果如何？为什么？有3什么启示？ * 如果想要更好的实验效果，建议咨询大模型。大模型的世界知识一定是比现阶段绝大多数同学要丰富的，问大模型如何提高效果虽然不一定能保证提高效果，但一定能打开思路。机器学习是一个非常广的领域，通过大模型你可以接触到比课堂上多得多的东西。当然，大模型生成的信息并不完全准确，这个时候可能需要使用常规途径检索信息。 -* 要体谅助教，要和助教保持良好的关系。助教同学需要承担巨大的压力并完成实验从设计、评估、验收、讲解和总结的全流程，而且经常由于经验不足和神秘的优秀率限制而身败名裂。可以对得分产生不满的情绪，但是不要和助教大打出手或者随便把助教挂在评课社区。 +* 要体谅助教，要和助教保持良好的关系。助教同学需要承担巨大的压力并完成实验从设计、评估、验收、讲解和总结的全流程，而且经常由于经验不足和神秘的优秀率限制而身败名裂。可以对得分产生不满的情绪，但是**不要和助教大打出手或者随便把助教挂在评课社区**。 * 这门课的优秀率绝对满足不了同学们的需求。2025秋的优秀率有55%+，但依然满足不了同学们的需要。据不完全统计，修读这门课的同学包括但不限于大二AI、大三DS、大三数院部分同学、大二大三CS部分同学等。请同学们做好心理准备。拿不到高分≠不行，来上这门课的同学可以说都很优秀，不要因为这一门课的成绩产生自我怀疑。 +* 有兴趣可以看看评课社区，你会发现很多有用的资料。这是25秋的课程仓库，有时间的同学可以参考：[https://github.com/ChangshuoShen/USTC-AI3002-25fall](https://github.com/ChangshuoShen/USTC-AI3002-25fall)