我于2023年修读这门课(连老师班), 这是当时的评课: https://icourse.club/course/19042/#review-83442。

2024年的课程内容相比往年删去了贝叶斯和概率图, 新增了强化学习(MDP, RL, Gaming)。目前来看是符合当前时代趋势的, 今年的o1,o3还有最近的DeepSeek-R1都展示了RL的强大能力, 感觉后面做Post-Training或者Alignment的同学最好还是多了解一些RL知识。

特别提醒: 今年课堂上没讲ELBO推导(变分推断),我们在课后补充了这一部分内容(考试没考)，但是如果你将来要从事生成模型的研究，请务必认真学习这部分内容，以及保研面试时可能会考到这个…大家自行评估吧。

2024秋季我担任本课程编外助教, 负责lab1、lab3和lab4，相比往年，今年实验数量减少到4个(Linear Model, NN, Clustering & Dimension Reduction, RL) 。 我出的几个实验应该都不算太容易，而且初版都多少有点bug，这里特别感谢同学们及时提issue帮助修复。原本计划是要给每个实验做好分段测试的，可惜最后助教精力能力有限，只能给整个实验写一个评分脚本，给同学们做实验带来不便还请谅解。下面回答一些大家可能比较关心的问题:

• lab1为什么这么难?
  截止我写这篇评价时，我们的github仓库里有70条issue，其中有近50条是关于lab1的(说实话我也被震惊到了)，还有相当一部分是关于如何从HuggingFace上下载数据集的。其实在出这个实验时，我是想趁着线性模型比较简单，再加上同学们或多或少之前都接触过，让同学们提前感受一下后面用pytorch训模型和测试大概是什么样子，于是我用numpy对着pytorch源码手搓了一个用起来比较像pytorch的实验框架，然后添加了大量的注释，希望同学们能做一点学一点。没成想，在我很早就提醒大家早点开始做实验的情况下还是有不少同学国庆假期才开始做实验，相信这些同学在没听到ddl延期之前都考虑过退课吧。其实从最后提交结果来看, 大家耐心读完文档和注释之后, lab1并没有那么难。
   
• 为什么要有实验框架?
  有许多同学问过可不可以自行发挥，不遵照或者调整实验框架的内容。首先，我出的实验都有对应的评分脚本，如果同学提交的代码不兼容评分脚本会给实验评分带来相当大的困难。另一方面，我们的实验框架设计遵循一定的逻辑，相信同学们如果有仔细阅读过代码框架还是能够学到一些东西。今后同学们不论是工作还是科研，阅读他人的代码的能力可以说十分重要，可能那时你会感叹我的实验框架注释写得还是太多了。
   
• 为什么有不计分的Optional?
  出现这部分内容一般是以下情况: 实验内容已经够多了但是这几个问题确实可以思考尝试一下;这个东西和实验关系不大，但是挺好玩的;本来以为老师要讲的，结果没讲。

我们的实验应该和同学们之前任何一门课的实验风格都不相同，刚开始同学们可能不太适应，不过坚持了一个学期, 后面同学们再接触pytorch和HuggingFace生态库以及作为可选项的wandb时才不会那么痛苦，希望同学们做完实验都能有所收获。

一个有趣的发现: 期末考试除了最后一题以外得分率最低的题是MDP和Q-learning那道题，看起来同学们考前都没怎么做lab4啊。

选课建议:
如果你是必修: 认真对待这门课, 对于大数据的同学来说，这门课绝对当得起“专业核心”这四个字。
如果你是选修: 请充分评估学习这门课需要花费的精力，理论和实验部分都不轻松。如果你想更理论一点, 请选择春季学期的大数据算法，如果你想要更多的code, 感觉科大还没有这种课(

后续学习建议:
我们实验框架的设计参考:https://github.com/addtt/variational-diffusion-models
大数据算法:大数据算法（丁虎） - USTC评课社区 (icourse.club)
深度学习导论:深度学习导论（王皓） - USTC评课社区 (icourse.club)（这门课似乎换老师了）
如果你和我当初一样遇到了多卡并行的debug困难,推荐选择:并行计算（孙经纬） - USTC评课社区 (icourse.club)(现在似乎改名了)
对于想做理论的同学，有一门不错的数学课:https://www.bilibili.com/video/BV1CK411W7Ep
推荐在这里选一门你感兴趣的课学习HuggingFace生态:Hugging Face - Learn

最后，感谢各位同学对课程实验的积极反馈，如果今后有什么学习科研上的问题也欢迎与我交流！

作业表述有点迷惑，难道只有我一个人看不懂题目想让我干什么吗┭┮﹏┭┮

另外反向传播不就一个链式法则的事情吗，感觉这辈子只会在上课和作业里手算😅 有必要讲这么久吗？我已经是人肉计算机的形状了

感觉不是一门适合数院宝宝体质的机器学习😭 我怎么只学到了一堆名词😭

其实讲的东西挺多的，这也导致了很多东西没有深究，只学到了一个朴素的想法，感觉很多都是启发式的。占个坑，出分细评一下

给分非常不错😋内容深度不是很大，导致像我摸一个学期也能拿个不错的成绩。以下先说说我Email给老师的一些建议：

1. 课程内容方面选材丰富，涵盖内容非常广。但是我注意到有部分内容在您的课堂部分和何向南老师课堂部分有所重复，比如泛化和优化算法部分，个人觉得有点拖课程进度了，可以节约这部分时间来讲更多的东西。
    
2. 关于优化算法部分，我了解到大数据学院是要求必修数院的运筹学课程，优化算法会在这门课中详细介绍，所以我觉得可以减少机器学习概论课程中介绍优化算法的部分，而是直接使用。
    
3. 关于考试和平时作业部分，我觉得二者的联系有点弱，作业更偏理论证明的风格，而考试基本是实操的风格，可以对二者做一点平均，增加作业中实操的部分。不过确实实操的部分也不太好作为书面作业布置，也可以考虑一些其他的方法。

这门课正如其名是概论，很多内容只是导论性质，导致虽然广度很大，但是很多内容我并没有真正学懂，很多启发式的内容对我来说只会留下一个这样做确实挺好的想法而已。既然只是导论性质的课的话，我认为还可以再增加一些内容，这几天看到了交大的ML课程CS420 ML，感觉真包含机器学习概论。唉，学完导论性质的课后，发现对某块内容有点兴趣，看看中科大的课程库，结果发现查无此课，这是何等悲哀😭

提供一点书面作业参考，一些比较困难的作业题可以找找这里有没有CS229/Problem Set Solutions/ps1-sol.pdf at master · kumi123/CS229

半开卷好啊

自己算的总评没法及格, 被捞到2.7了, 大四还要啥自行车

王老师何老师助教是我爹orz

按照公式算是73.1总评80 ???????

已经被管院给分PUA的菜鸡不敢相信这个世界上会有这样的给分(;><;)

自报家门：大四管统摆烂人（python零基础）（但是数学不好hh）水专选学分

关于课程：

选课的初衷就是水学分但是意外地学到了很多东西

关于老师&助教：

wx老师的数学推导深入浅出特别清晰，hxn老师讲的计算机相关内容（虽然可能是因为没有学过前序课程有不少听不太懂）但是也学得到东西；助教水平很高&炒鸡认真负责

关于作业：

（因为老师&助教水平很高所以）作业&实验都很有挑战性，从零开始配环境学python无数次想退课（x)，但是真的有收获

关于考试&给分：

考试感觉还是有难度的，题量比较大，比较数学（不知道是因为真的有难度还是我大四太摆烂没好好学习）

（不过大多数PPT上都有&上课讲过&作业练习过，只要好好听课做作业应该是问题不大？）

按照平时50%+期末50%算出来的是73.1

总评80（这不是给分好那什么是给分好啊啊啊啊啊）

（怎么大四摆烂学的课比大二的时候认认真真学习的专业课分还要高，这个世界上竟然会有这样的给分）

总结：符合我对信智学部课程的所有美好想象

课倒是还行

就是助教解压不了我的zip直接给我实验判0了，教务系统登分了才发现。。。也不知道跟我说声

数院摆烂人，几乎没有去上课全靠回放续命

这门课的内容基本上是各个方面都有涉及，但是并不深入，适合作为方向入门。

作业次数不多（4次），但是每次作业时间较长（>15h），时间是需要有所协调。

给分可以说特别好，书面作业avg=99.75，实验avg=97，期末77总评奶到了92，王老师和何老师是神（）

本学期作业和实验的个人版本以及课程ppt放在https://github.com/Intelligent114/ML24了，有需要可以参考。

数院大四概统人表示，这学期上这个课写作业写代码次次写破防，现在复习更破防，ppt信息密度低的离谱，但看回放感觉听课体验也许还行，给个8分观望，考试要是跟作业一样逆天我就直接开喷了。

以及正在准备cheatpaper，然而并不知道往上写什么…

我只是想混个专业选修学分好让我毕业😫

考试后更新：难度还行。神经网络相关的有三道题，基本上把能考到的点都给考了（第一题单层网络算几个梯度、第三题多层算一个很简单的反向传播、第四题softmax还是算几个梯度）；第二题是Markov决策和强化学习；第五题是线性回归，作业题改编；第六题是K-means聚类的核方法的应用，第一小问构造个高斯核，第二问其实我没太看懂要我干什么，可能是在问核化时把什么东西换成核函数？感觉和第一小问没啥关系。

比较难的EM、集成学习、KL散度和变分推断都没考，唯一的槽点就是好多地方都用了这个矩阵求导公式：

\(\frac{\partial tr(XBX^TC)}{\partial X}=CXB+C^TXB^T\)

这是我cheatpaper上唯一用到的东西。

最后，依然不推荐概统人选修这门课…整门课给我的感觉是上课开开心心划过，结果作业逼着我又花大量时间查资料，那我为什么要选课，看看西瓜书自学就好了。

“在王翔老师的强烈要求下，低分段同学的分数有了明显的提高，高分段同学的分数保持不变。”

伟大，无需多言。

数院大四人，国庆期间赶来评课。

目前来讲王老师授课还是非常清楚的，授课内容也很丰富，课件也非常清晰。

内容和难度方面，数院的同学如果学过回归分析以及运筹学的话理解起来会轻松一些。如果是大三刚开始接触数理统计的同学可能会稍微感觉有一点难。（这里吐槽一下数院概统方向的培养方案，如果说不提前修课完全按照培养方案走的话大三上几乎选不了什么课，因为如果只学过概率论没有学过数理统计的话刚开始上手回归分析或者机器学习都会有一定程度的不适应，可能选陈士祥老师的运筹学刚开始的时候上手会舒服一些）

本课程的几位助教也是非常负责任，和同学的沟通做的非常好，充分考虑了同学们的需求。

不过这个第一次上机作业是真的难。对于数院的同学（特别是像我这种Python编程水平很低的同学）还是有较高的挑战性的。另一个角度来看这也是数院希望走统计方向的同学锻炼coding能力的一次机会。

2025-09-09 机器学习Aの后日谈

因为我本人没有在24秋修读这门课，因此取消评分，仅发表一点个人看法。

学过了jjm的人工智能基础后，主包还是感觉自己对人工智能一无所知，于是从暑假开始陆陆续续补了这门课的录课、作业和实验，刚刚正好结束了本门课“云学习”的ML部分，还剩RL部分，遂写一点简评。

公平公正的来说，这门课的理论课深度适中（连我都能听懂，除了EM算法有点难），整体而言注重广度，能起到一个很好的机器学习（乃至于人工智能的learning部分）入门作用，有与时俱进的部分（提了一嘴Transformer），对于一些现在较常用乃至于活跃在论文中的机器学习算法（是的，你爷爷还是你爷爷，有的场景还是可能会用机器学习的算法，比如说著名的XGBOOST）做了简短介绍，我的评价是可以作为被Arch和Sys课程养育长大的计科人的第一门ML课。

可惜的是，今年二位老师选择不继续上这门课了，因此本评课或许对今年机器学习A课程的参考价值有限。

作业和实验方面，由于本人在暑假摆大烂只写了一次，还是等我跟完之后再评价吧（真的会有这一天吗）。

现在想来最后悔的事大概就是在大三上的时候没敢选这门课也没敢旁听，而是在某门神必课上浪费了绝大多数精力+肝力吧，，，

第一节课上完了，抢个首评。

今年的“机器学习概论”改名叫“机器学习A”了，以后就没有机器学习概论这门课了。

第一节课是王翔老师上的，PPT很有梗，梳理了一遍人工智能的发展史，还提前下课了，并且提出这门课会参考CS229的设计。

可以说，个人估计这门课会和连德富老师时代的机器学习概论不太一样，不过具体怎么不一样还是要看何老师和王老师以及助教天团的发挥~

毕竟学期伊始，诸君不妨拭目以待。

非常硬核的一门课，硬核到我这样的计算机小白有点高攀不起。

王老师是我见过讲课最清楚最有条理的老师之一，上课跟着走一遍，听懂不成问题。收获非常大的一门课，但是作业和实验真的写到怀疑人生了，计科人被各种数学折磨得痛不欲生，代码更是一调就是好几天（除了10分钟就能写完的lab2的神经网络+鸢尾花dataset）

PPT基本是中英双语的，细节非常到位但是自学还是有点小困难。复习过程非常痛苦，18周的课全部上满，量大管饱。但是因为没有任何往年卷子参考（这门课的风格据说都和往年很不一样），只能硬瞪作业题上的各种奇妙数学小公式（数学还是太高雅了）

无点名无小测有回放。考试是半开卷。

本学期课程大纲：

1. 机器学习简史
2. 线性回归Linear Regression
3. 性能评估Performance Evaluation
4. 正则化(Ridge Regression & Lasso Regression)
5. Linear Models I - 逻辑回归
6. （国庆节）
7. Linear Models II - 分类器评估，广义线性模型，多分类
8. 神经网络Neural Network
9. 神经网络的反向传播BPTT
10. 无监督学习 - 聚类Clustering
11. 决策树Decision Tree
12. 集成学习Ensemble
13. 无监督学习2 - EM算法
14. 降维方法PCA
15. 支持向量机SVM
16. 马尔科夫决策MDP
17. 强化学习Reinforced Learning
18. 博弈Gaming

真的复习到破防了，，，希望考试题不会像作业一样离谱。

考完啦，总体感觉还是偏概念理解和推导实操，应该还算友好（？），考试有6个大题，分别是神经网络，MDP和Q-learning算法，（第三题忘了，好像也是推公式），反向传播计算，线性回归梯度计算，kernel方法的运用。除了最后一题其他都还算基础，而且第五题的线性回归和作业一的第4题相似度还蛮高的，大概是是作业的一个简单浅显一点的版本

PPT有点混乱，但是老师很耐心，讲的很好，作业比较难，实验的难度不平均，但是确实能学到东西

老师和助教都很善解人意替大家考虑，最后给分也超级好，谢谢你们，谢谢😭