选课类别:专业 | 教学类型:理论课 |
课程类别:研究生课程 | 开课单位:电子工程与信息科学系 |
课程层次:硕士 | 学分:3.0 |
刘东老师讲课深入浅出,思路清晰,细节到位。多数同学认为老师讲得很认真,能够从基础推导开始,并引用哲学或其他领域的概念,增加趣味性和深度。一位同学评价说:"刘东老师不仅讲课思维缜密,细节到位,还经常能从数学中引出一些哲学上的道理,果然,世界是有着普遍的规律的。" 另一位同学形容刘老师是一名“儒雅 谦谦君子”。
《统计学习》课程内容广泛,从线性回归、正则化到贝叶斯等,重点在于机器学习的理论基础。许多同学表示课程能够弥补深度学习入门者的理论基础。这门课更多偏理论,不适合只为凑学分的同学。一位同学提到:“对比其他learning课,这门课绝对是最好的之一。”
作业量大且频繁,每次课后都有习题或编程题。但批改仅记录完成与否,没有详细讲解。部分同学认为作业对复习期末考试帮助有限。一位同学指出:“作业巨多,最后还整个大作业,平时压力比较大。”
刘东老师的考试被描述为“半开卷”,只允许带一张A4 Cheatsheet。题目灵活,部分改编自《统计学习方法》的例题,部分题目具有挑战性。一些同学认为考试与平时作业关联不大,需要独立复习相关教材来应对。考试成绩分布广泛,多在70-90分之间。
给分标准较为严苛,绝大多数同学获得70到80多分,少数高于90。一位同学提到:“分数和付出完全不是正比,有这个时间不如选几门水课或者是给分高的课程。”
刘东老师的《统计学习》课程适合对机器学习理论有浓厚兴趣,并愿意投入时间和精力的同学。授课内容深入,讲解认真,作业量大,考试灵活但较难,给分严苛。考虑选课时,需权衡时间投入与收获。
老师讲课很认真,助教们也很认真 刘老师是真的让我感到很儒雅 谦谦君子的老师
但是由于每次课程上课时间有点长 到每次课的一半以后有点听不下去 可能是因为我太菜了(研一下学期的课时间更长 所以不介意课程难度的话最好研一上就选了)
课程难度较难 讲的比较杂 如果是为了凑学分的话选这个课不太合适 上出了一种专业基础课的感觉
分数给的还可以 80+ 但是考试跟平时作业没有太多关系,复习的时候很痛苦
学机器学习/做机器学习的可以选 讲的是比较偏理论的
刚上完第二次课。
第一次课从喜马拉雅的高山引入均值,把均值和最小二乘建立联系,最小二乘又引出了高斯分布,妙。
第二次课从正则化的kkt联系到图形,再深入到贝叶斯,参数的先验性同唯心主义哲学共振了,妙。
刘东老师不仅讲课思维缜密,细节到位,细节到位,还经常能从数学中引出一些哲学上的道理,果然,世界是有着普遍的规律的。
强烈推荐想学点基础知识的同学选这门课,水学分就算了。
如果你觉得我说的不对,欢迎你来砍我啊。
我觉得还是收获颇多的。上课中文ppt英文,作业很多,有编程题。考试半开卷可以带一个A4大小的cheatsheet。
这里放下我自己的cheatsheet,GitHub。
最后成绩一般般,差一分90,看来还是不能在大作业的时候偷懒。
老师讲课用的是英文的PPT,喜欢板书,讲课深入浅出,就课程难度来说不难。
平时作业超级多,每次课后都有作业,只会有批改,不会有人讲解。
考试的题目,一大部分来自李航的统计学习方法例题改编,最后一道题是图像工程相关的问答题。大作业也很简单。
前面有同学说不复习就能轻轻松松gpa拿4.0,可能是幸存者偏差吧。这门课给分真的很低很低,我们所中我认识选这门课的人都是70左右。如果以后的学弟学妹们不是刘老师实验室的同学或者医工所要拿这门课做必修课的话,真心不建议选。平时作业很浪费时间,而且平时这门课的助教基本上只是收发作业,没有其他用。分数和付出完全不是正比,有这个时间不如选几门水课或者是给分高的课程。最后只想说快逃,别选。
刘东老师是我的研究生班主任,抱着听着试试的态度来上这门课,没想到最后收获了很多,这门课弥补了深度学习入门者赶鸭子上架时缺失的必要理论基础,而这些往往决定一个人的研究工作能走到什么样的深度,至少看机器学习三大会的文章不会一脸懵逼,hh。除了作业有点多,不过也算是加深印象。最后期末考89,感觉复习刷刷相关基本教材的章节题就可以考到不错的成绩。
课程收货:收获满满,很好的入门课程。老师很尊重学生,讲课也很好,不过我发现周一 周四两节课讲法不一样,也许周四的课更容易理解些。 作业:据说平时作业按时交就是满分,不论对错,所以好多题目我都糊弄着交了。希望平时分能满分吧。这学期没有大作业😃
考试: 看前人点评都说是出题很灵活,让人大开眼界,小抄都用不到。真到自己看到了才知道点评太精准了。20多分的情景分析题对外行人很不友好。
总体感受:本人是其他所其他专业资质普通的学生,不开组会所以研一很闲。被这门课折磨了很久,甚至上了大半个学期鼓起勇气点了退课发现退不了,最后三四节课听了两遍,硬着头皮复习了一个多月。考完才解脱了,按规则及格应该没问题,及格万岁(提前开个香槟)
相当不错的learning课程,从线性回归开始,串讲了很多机器学习的基础内容,老师讲解比较详细,推导过程流畅;作业有个别题目难度较大,整体还ok,但老师/助教并不会讲解作业,只会记录完成与否。考试的话,整体感觉刘老师出题比较灵活,总评拿了80,应该是一个平均分上下的分数?不过问题不大,毕竟考试前2h还在给老板做ppt...
对比其他learning课,这门课绝对是最好的之一。刘东老师能够从最基础的推导(如矩阵求导)开始,不断引导我们,上课只要跟住老师的思维,就不会感到无聊而看手机之类的;老师节奏比较紧凑,一般上完一节课都会觉得很有收获。
还记得刘东老师第一节课讲,今年(2022)年是他开这门课的第十年,非常respect,也祝愿这门课越来越好。同时,这十年也是learning蓬勃发展的十年,形如合肥房价 quote from Dr.Liu :)
最后的tips:如果只是想更多地学习深度学习/神经网络相关的,可以选择大数据学院的深度学习等,这门课并不会涉及太多现代神经网络相关的内容。但如果是想了解一些统计学(data learning以及简单的学习理论等)以及机器学习的基础内容,这门课相当不错,刘老师讲课质量相当高。
出分了,比意想中高了很多。
总结:不点名不签到,课程偏硬核,每节课会留两三道习题或编程题,按时提交即可。最后有个半开卷考试,只能带一张A4小抄。参加和课程有关的比赛获奖可以向老师申请加分。
感想:感觉刘东老师对这门课真的非常用心了,课程难度肯定是有的,但学完之后发现收获也是很多。前几周学的时候感觉这门选修课难度直逼基础课,甚至一度想退课。后来我舍友退课了,我才后知后觉,错过了退课,喜提了一门基础课233。私以为在当今的研究生课程里,这门课绝对算是质量很高的了。当然作为学生,在有其他课给分高又事情少的时候,选择水课也是人之常情。
最后感谢老师捞我一手,放一个在楼上大神的基础上改进的小抄版本:
https://github.com/RuijieZhu94/StatisticalLearning_USTC
(修正了一些公式错误,增加了一些内容,用上了帮忙点个Star。)
刘东老师是男神!老师讲课思路很清晰,深入浅出,学过机器学习的这些内容不会觉得很难。
考试半开卷,但是考试题目挺新颖的几乎不能直接抄A4纸的答案。
没有花多少时间复习,最后得分是九十多,推荐。
刘老师教的很好,很流畅,很有收获。内容有祥有略 (对一门有限的课来说能讲这么多内容已经足够了),有深有浅,对零基础的同学来说较难一点。
本人水平有限,花了很多时间复习,总评八十五供参考(按老师给的往年成绩情况,应该是平均分左右的水平),考试卷子不能说多难但很灵活让我大开眼界(选择是一题五分的多选题,多选全扣那种...,大题比较灵活综合,写的时候感觉和课程内容不是特别match),总之整体写下来很别扭。
带的A4全程没看过,感觉自己就算不怎么复习的话,考的也差不多...
非6系,想学知识就选,想要高分尽量别选去旁听,除了分数,收获满满