这门课小测不多，作业量小，能通过实验学到简单的模型微调

给分不好说好还是不好，你说它好吧，给了94，说不好吧，给了94；喜提大学三年第一次94，同时悲提大学三年第一次94

出分了回来补个评课，下面贴个仓库，欢迎来star（但是注意不要照抄，本实验严查抄袭）。

https://github.com/magichear/Machine_Learning

个人情况：在大三春季学期之前几乎完全不会深度/机器学习相关（人工智能基础67,srs这门课屑中屑），大三春选修了《深度学习实践》（30分大作业完全没做，70）、《深度学习导论》（没出，目前bb总分317.4/350）、《深度学习原理与实践》（93）、《人工智能安全》（90）

这门课的情况跟评课社区其他同学说的一样，覆盖了CV、CL的两个经典场景，并配上了一个具有一定工程性的RAG系统（虽然我实习面试的时候被对面说这是玩具）。整体课程以实验为主，授课内容与实验的相关性不大，课堂小测全开卷而且并不是很复杂（意思是你可以快速扫描题目喂给AI），实验全都非常经典且在领域内较有代表性

因此

• 如果你只想拿到这个学分，上课去了就行了，实验全部做完，拿个保底3.3+应该没什么问题
  • 只要从拓展内容里抽两个相对简单些的来做就可以拿到很高的保底
  • 准确率之类指标可能只看第一个实验（因为后面的都不太好量化评估），因此第一个实验准确率最好是要弄好（参考：我的CIFAR-10准确率91%）
• 如果你想有所提高，其实也可以听一听老师讲的课，内容质量上还是比较不错的
  • 还可以再去选一个深度学习实践（这个就完全不用听课，认真做实验即可，对入门选手（非python小白）收获很大）

本课程需要优化的一点主要就是实验的安排，lab3和竞赛集中在期末月，时间极其紧凑（以至于我直接开摆，不搞深度学习实践的大作业了；这门课的竞赛最后也是摸鱼划水过，打了connectX，稳定在50-60）

本课程美中不足之处就在Lab3：首先是数据源的下载，我相信班里绝绝大部分同学应该是没有这个下载能力的（在课上还能听到老师说部分同学前面实验的模型都不好炼）；此外，实验的测试部分极其 dirty ，感觉像找了个100块一天的实习工作专门干 dirty work，自己准备50组测试prompt并分析（我还搞了个全流程半自动化，不然更dirty），整合之后的实验报告有60页A3，我保证这是我那个月里最折磨的几天。

建议：在瑞克网上提供一组完整的PDF数据（元数据可以不打包，让同学自己去kaggle下载筛选）；测试要求可以稍微简化一下，现在的太太太 dirty 了

最后也是成功劝阻助教将PDF原文解析改成了选做2333

优点：

没作业没考试，实验周期长

缺点：

小测多

实验很抽象，我不理解为什么你两个附加要占那么多分，那我问你，附加的意义是什么

实验像极了甲方不停加需求时候的嘴脸

课上卷怪横生，全是卷逼

实验时间普遍出现在很靠近学期后半段，一边准备夏令营一边实验很破防

给分感觉很垃圾，又被卡计了

总结：

这是一门不建议选的课，有这时间不如睡觉💤

优点：给算力、课程内容简洁明了
缺点：实验量大，实验报告内容要求多，描述不够清晰

其他信息：应该是有5次小测/点名一次1分，实验从放出到截止有1个月，延迟一周以内提交60%分数，共3次普通实验和一次综合实验

我觉得实际我会打7分吧，只是现在的1分还是太夸张了，多打一分

注：考虑到这是3学分无考试的专业选修，实验量大其实无可厚非，最大的问题是实验要求比较粗糙

中规中矩的课,没学到什么东西,给分我个人感觉也比较一般

主要是4个实验:
实验一：基于CNN的CIFAR-10图像分类

实验⼆：基于 BERT 的⽂本分类实验

实验三：基于arXiv学术论⽂知识库的RAG系统设计

综合实验：选一个kaggle比赛

实验文档写的比较简陋,实验内容也有点老套了,相似的内容可能在别的课都做过了,收获不大.

而且实验工作量有点大,感觉设计的不是很合理

提一下实验三,一开始似乎是希望下载50,000篇arxiv的论文,然后解析pdf做成RAG ( 设计的时候真的自己做过一遍了吗 ). 后来把这个改成选做,只需要用论文的元数据做,但实际上这个做出来的效果并不好.

给分很迷,实验完全没有反馈. 我每个实验的拓展都选了两个做,最后kaggle比赛的排名也不低,最后总评却不是很好.

6月21日5:04一编

先占个坑，作业三写得不知天地为何物了

6月21日6:31二编

50000篇论文的本地知识库喜提250GB把我E盘撑爆了

7月29日02:16三编

82分 为了水学分的话还算是合格的课就是作业写得太折磨