体验算不上好的一门课，给分确实不错，但个人感觉同等的投入放在其他水课上得分会更高，收获也会更大（可能是我这门课的打开方式不对吧）

首先声明，由于本学期人在HK，远程选了这门课，因此没有听课更没有回答问题，仅仅是（在github和copilot的辅助下）完成了作业，因此评价很有可能有失偏颇，仅供参考。

从本学期的作业来看，只要对任务做合适的拆分并给予清晰的指令和引导，AI就可以非常完美得完成这项任务，但也正是如此，这门课内卷的重心自然变为了报告撰写，最耗费时间的地方甚至是测试各种案例，把图片插入报告文档，流水账式的记录测试结果，可以说完全是任务量的堆砌，我个人并没有感受到从中获得任何收获。不可否认，清晰的表述自己的发现是一个重要的能力，但培养这样的能力需要的是系统的学习（在此推荐以下陈纪梁老师的英语科技文献阅读，事少分好收获大，个性化很容易过），至于撰写报告的训练一两次模仿和优质的反馈已经远远足够。

另外，搬一下我讲课程主页分享给一位计算化学方向的大佬学长后他的评价：我受不了了，你们数学建模讲理论我真的没想到。这些理论应该是在理论课讲，数学建模就是个application，你们这个课思路堪比同济线性代数。至于我质疑这门课有没有用，他的回应是：比如金融学就是建模学，或者说社会科学都是建模学，包括计算化学计算物理，都是建模建模建模，所以你能觉得建模没用我只能说罪在教学方法。

据我了解，国外很多认真在教数学建模的学校，都更加强调“为什么这个模型是合理的”，而不是像本课程一样抛出一个小学生都会建模的问题然后花费绝大部分精力去讲怎么数学求解或代码实现这个模型。“All models are wrong,” 但学习数学建模应该关注的点在于，我观察到了什么现象，我应该用什么样尽可能简单的假设去描述这个现象，我这样的简化可能造成什么样的后果、会不会本质性地改变系统行为，如果模型不能很好的描述真实情况，是我哪一条假设不够合理，我可以加入什么样的数学结构来解决这个问题，在这样的基础上，我们才能正儿八经说出后半句，“but some are useful”. 

当然，本课在妮可的定位基本是计算数学专业7选4中性价比相对较高的知名“水课”，对于大部分同学来说，这门课在数学建模这一领域本身是否算得上优质其实并不那么重要，因此对于数院不排斥代码、想要刷绩点、不介意多花精力的同学来说依然是不二之选

最后以我暑研老板，麦马数学与统计系教授、加拿大健康科学院院士 Dr. David J.D. Earn的一段话作为结束：

We arrived at this model after ruling out a number of simpler models, and I hope that I have convinced you that successful mathematical modelling of biological systems is likely to proceed in this way. By adding model structure in small steps, we are most likely to discover which biological features have the greatest impact on observed behaviour. It is also worth highlighting that apparent limitations of a model can sometimes reflect more about our failure to think of the right analysis tool than about any inherent inadequacy of the model itself.

1. 助教平时给的作业分很高（中位数差不多90）
2. 老师没有向下调分
3. 优秀率达到了逆天的80%
4. 适合计算数学方向大二甚至大一提前选课
5. 正常做作业即可拿到3.7
6. 稍微卷一卷即可拿到4.0
7. 拿到4.3（或许）需要花费大量的时间去卷和写报告
8. 需要熟练掌握C++/Matlab/Python中的一门语言
9. 作业需要写GUI
10. 由于陈老师的专业方向，作业多次出现CG（只有第三次作业没出现）
11. 课程主页：http://staff.ustc.edu.cn/~renjiec/mm2025/
12. Github作业文档：https://github.com/TheVaticanCameos/USTC_MM_25

纯巨佬展示课，对能力不够的同学很不友好。
 

上课基本就是简单介绍一些内容，从不深入，作业要用到的知识都要靠自学，跟课堂没啥关系。

作业给分也很很无语，助教给的作业文档写了完成文档中的基本要求就能拿90分，实际情况是作业文档里只列2-3条要求，作业讲评时基本要求就变成了4-5条，按照作业文档的要求做了只能拿80多分。你加分项不事先说明没事，扣分项也不事先讲就很无语。

出分了，给分雀氏不错。

课程内容方面，可以参考陈老师主页上的课程页面 http://staff.ustc.edu.cn/~renjiec/mm2025/，主要是介绍一些常见的建模思想和典型模型，作为一门基础课程还是可以一学的。一周一节课，难度和量都不大，支持自学

成绩考核方面，有四次平时作业和一次大作业，占比一般为75%和25%，无期中期末考试，无点名（但到课率比较低，不排除后续增加点名的可能），会调分。

平时作业会根据同学的完成情况，后验的确定一些加分项和扣分项。加分项一般是鼓励自由探索（指多卷多得），可以考虑从广度和深度来拓展。扣分项除了作业没做对之外，主要是一些工程上的问题，比如没有提供依赖文件、缺少必要的GUI、实验报告对内容的展示不够完善等

大作业是从若干给定题目中挑选一个，给的时间比较充裕，建议选择前充分考虑难易程度和可扩展性。此外对于描述模糊的题目可以多问问老师和助教，确定能准确理解题目要求后再着手做。完成后可以多卷卷实验报告，尽量把结果展示得好一些，也算是练习论文写作了

给分方面，本人四次作业95 95 100 96，大作业94，总评98。平时作业的平均分经常在90上下，一般来说平时作业的均分90+，大作业不要太差，都能有优秀甚至以上，可以说给分非常好了，总之这波必须支持

为了大三避开高新区开课的神人，且据说数学建模这门课很水，水到只能用来练习 \(\LaTeX\)，故提前选了本部的陈老师班，现在看来是非常正确的选择（只去了 1 节课，作业和报告全 AI 写的，也能拿到优秀），不知道以后有没有这待遇了。

没有考勤（据说课堂互动可以加分），没有考试。4 次小作业（75%） + 1 次大作业（25%，最后有优秀作业展示），建议使用 Matlab，如果用 Python / C++ 需要给出必要的环境配置文件需要写 GUI，需要提交报告（提供 \(\LaTeX\) 模版），完成实验文档中的基本要求即可得到 90 分，且有反内卷评分规则。给分很好，四次作业中位数为 85、89、90、92，最终也没有下调，神中神（就是不知道以后给分会不会这么好了）。2025 春作业 如下：

作业1：接缝裁剪

• 实现 2007 年 ToG 论文 Seam Carving for Content-Aware Image Resizing 中的接缝裁剪算法，用以改变图像的长宽比例。

作业2：基于矩阵分解的图像处理，以下任务 2 选 1：

• 实现基于矩阵 SVD 分解的图像压缩；
• 实现基于矩阵低秩分解的图像修复。

作业3：数据拟合模型，以下任务 2 选 1：

• 平面点列的曲线拟合；
• 使用神经网络进行昆虫分类。

作业4：微分方程模型，以下任务 3 选 1：

• 人口模型；
• 传染病模型；
• Poisson 图像融合。

大作业：需要组队，一组 1~3 人，以下题目中任选 1 个：

• 数码相机定位；
• 音乐旋律线的几何相似性；
• 蛋白质折叠的路径规划；
• 大气污染物扩散的粒子追踪；
• 锂电池枝晶生长的蒙特卡洛模拟；
• 城市人口密度场的等值线分析；
• 社交媒体传播网络的力导向布局；
• 古典建筑柱式的比例还原；
• 昆虫翅膀振动的空气涡旋模拟；
• 5G基站天线阵列的波束成形；
• 山体内部空洞结构测量；
• 受灾巡视；
• 烟囱灰尘扩散问题；
• 洪水模型。

肯花时间，收获绝对超乎你的想象。

助教平时改作业给分很好，老师最后也没有反向调分，关于给分还能要求什么呢？

关于课程内容，每次作业都有要求GUI，可能和数学专业知识不太相关，但会写GUI对以后的科研裨益良多。算是给计算/ds的同学点技能点了

陈老师教学经验丰富，课堂讲解清晰透彻。他深入浅出地将复杂的数学建模知识分解，无论是晦涩难懂的理论还是纷繁复杂的案例，都能被他巧妙地剖析，让我们轻松理解并掌握。老师对学生的提问总是耐心解答，积极引导我们思考，鼓励大家提出不同的见解，极大地激发了我们探索数学建模世界的热情。

陈老师人也很nice，对学生很有耐心，作业也不多，挺简单的。

同时，课程的助教团队也表现卓越。作业文档写的很清楚，给分有理有据，很捞，但耐不住同学们太卷了，据说优秀率要压不住了。

总之，陈仁杰老师的数学建模课程无论是在教学内容、教学方法还是教学团队的配合上，都堪称典范，让我受益匪浅。强推！