人工智能与机器学习

22级老登23秋选的，给24秋的同学指路。

• 给分：22级前给分依托，于是屡遭学生锐评，22级开始大幅改革，最终下来给分非常不错。
• 课程：tis里面有简介，需要注意的是22级改革后变化很大，深度学习部分cnn\rnn\transformer全删了，平时作业以及project用numpy完成，总结就是深度学习的占比小了，所以如果对dl感兴趣最好自己补知识。这边建议收藏ut的csc411，里面的试题可供复习使用。
• 老师：大林很负责，也乐意与同学交流，会在群里亲自回答你的任何疑问，包括bug。老师想充分带动课堂氛围，奈何大家有点沉闷，后来也不再勉强了哈哈。
• 作业：如果踏踏实实写，说实话有点花时间，毕竟完全用numpy手搓。可能很多前辈会给你说“现在都import torch了，手搓这些古早模型有任何意义吗？”我个人认为，和CS科班相比，咱coding的机会就少，而这些作业是提高你码力最直接的途径，尤其是debug能力，所以踏踏实实写作业和project，收益会很大。否则你大概率上了一学期AI课还是啥也不会。
• 关于GPT：这门课还是有一些问题，比如没有lab，上课的内容全是数学推导，课下作业实现起来如果不借用csdn会寸步难行。所以当你实在想不出来，借用GPT往往比干想更好。但关键在于，应该先读懂别人写的代码，然后关掉浏览器凭借记忆和理解自己写出来，而非无脑复制粘贴，否则，你学的AI也就相当于少儿科普的水平。

自学指南：这里不得不提几本无敌的机器学习入门书：

• mathematics for machine learning 神中神，尤其是SVM和PCA，比PRML更友好，好看到停都停不下来，但深度学习讲的不多。
• neural networks and deep learning 对于SDM274的深度学习部分，这本书是最佳选择，在线交互式教材，直观体验调参，有理论有代码，而且会告诉你种种训练的trick，对project帮助极大！
• pattern recognition and machine learning 本门课的推荐参考教材，bb上有链接。这确实是本好书，不过对于初学者，由于没有经验，一些很有insight的句子即使读了也不会注意到，所以很难体会到这本书的妙处。
• python for data analysis 原本不应该出现在机器学习的推荐书目中，但本门课完全使用numpy来搭建机器学习模型，因此前几周对于不熟悉python和numpy的同学，这本书是一个很不错的crash course。

先是同学最关心的给分上，貌似先前因为某些原因以后林老师的给分比以前好了很多；从成绩分布来看，20平时分包括签到作业和quiz，40是期中和期末两个项目，还有40是考试。本学期我听其他同学的反馈是平时分和项目都给得很高，quiz虽然扣得特别狠但是貌似没什么影响；签到这次才去了一种翻转手机计时的方式，我不太了解有没有影响但是我经常都把这个时间刷得特别长（即将某一台设备扣在桌面上代表你在认真听课）。我一开始挺害怕这个课程的，一是内容本身比较难，二是毕竟是自动化专业重叠的必修课并且听说有很多信工大佬会来上这个课（确实），所以拿高分希望不大，不然会被卷死。

林老师讲得非常好，常常会和学生互动关心学生对于知识点的理解状况，希望学生能够给予其反馈（虽然常常都没有人响应，除了最前面的同学，明明那么多人）。老师会把学生有疑问的地方反复讲，保证学生疑问解除为止，不过确实有些part第一次接触实在是太tricky了所以可能仍然需要课下自行理解。

课程内容上，虽然本课叫做人工智能和机器学习，其实更加侧重于后者。应该只有学期中才会有FFNN（MLP）这种稍微偏向于人工智能/深度学习的内容（也不会讲CNN等），前面和后面感觉大部分都是机器学习（线性回归、逻辑回归、决策树、k近邻、聚类、主成分、SVM和混合模型）。

没有强化学习，请出门左转。

最后是修读建议，其实我觉得非必修的同学可以根据自己的方向意向选修本课，但是本课略硬，不是水高专业绩点的课程，想要学好需要认真对待。

最后的最后吐槽一句，24期末考试难度是倒序，虽然开卷但是前几题依旧逆天，不愧是Fly Bitch。