吃惊于其如何把45分钟就能看完的PPT讲三节课还令人听不懂，此后再没有去上过课

另外介于笨人有独特的编程反向天赋，老师几乎不教编程，自己写出来的沟石代码跑不了一点，机器学习更是只能听懂小学二年级思路

最后两次机器学习作业不会没交，点名1/4，考试75.5（中位数67）最后给3.0. 我只能说就算给我奶到3.7我也不想每周二去听这个b课心情坏一整天

复习不下去了，来这里拉个史。 太屑了，实在蚌埠住了。 首先没有学过热统，Ising模型不明白。其次，有限元素法纯粹逆天。然后，机器学习更是重量级，一堆乱七八糟的概念。最多给5分

刚考完，我只能说一坨答辩，非常难以置信。下调至3分！总结笔记.pdf

出分了，感觉是一分没调，纯粹逆天。下调至1分，甚至都懒得骂人。总评分居然还能有5.9，只能说孝子真多

省流：收获还行，ppt不错，课不用听，但会有点名。

考试自我感觉良好，最后莫名其妙78.5，据助教说是“每道题都扣了一点”，再问就是“不能查卷，评分标准统一，已经仔细复核了”三连，有理由认为是类似政治课的按点给分，建议复习的时候把那堆流程和套话抄到顺手，就不会像我一样手忙脚乱遣词造句最后还莫名其妙被扣分。 最后出分4.0，唉，如鲠在喉，无话可说

考完试了，似了。

课程评价：上课打哈哈，作业GPT，考试↓

出分了，总评更是↑

早知道这门课讲不明白就改选A了！

计算物理学本来是一门很有意思的学科分支，但这门课的wys老师有一种化神奇为腐朽的能力：教材上讲不清楚的、没讲的，他的ppt课件上也讲不清楚。本来我还是以为这门课上我是能学到东西的，结果呢，蒙卡部分还好（概统的知识可以直接应用），mma完全靠大一以来自己操作的经验；机器学习就是完全不会了：课堂上、课件上只给了一些介绍性的概念（甚至连概念都介绍的不清楚），就让你实际操作，作业题难度太大，只好交了白卷（当然，我编程水平很菜的）。可能也就有限元素法，分子动力学能学住点东西了。

据我那两个舍友反馈计算物理A的情况改观了不少？（虽然作业难，写个报告得大半天，但是讲义还是比较清楚的。我就是在他的讲义上才明白Metropolis方法是怎么个回事。）

另外，我认为没有任何理由把这门课放在热统前面来讲。大多数同学（没提前修过的）在这里是完全不懂“配分函数”是什么，“伊辛模型”是什么。

以下内容编辑于出分后：

考试很寄。（机器学习完全不会，mma卡住了，Metropolis你考伊辛模型？（没有提前学过热统））应该不至于考那么差吧。

md，这门课居然刚刚及格？！（平时分没有拿满，机器学习部分的作业没有交）（这课tmd不调分？）（喜提大学最低绩点）（感谢老师不杀之恩）

我是抱着试一试的心态，决定不改选A的。结果学习过程并没有往届学长说的那么轻松，课堂收获几乎没有，机器学习交白卷，到头来连gpa的收获，也没有！但凡我能学住点东西，也不至于来这破口大骂！（看来评课社区对丁老怪的妖魔化太严重了。）

看来今年计算物理AB的评价要反转了啊~（两个学计算物理A的舍友反映他们的课还行？）

我在此课程的评价中给出的评分恰好等于我的绩点。这叫做“礼尚往来”，来而不往，非礼也。

为什么评课社区不能给0分和负分！（恼）

大家默认置B的，

一定要换A，或者研究生的计算物理！

快跑！

为吴老师打个call

计算物理B内容大概就是蒙卡，差分和有限元解微分方程，分子动力学，mma和机器学习。课件资料都放在睿课网，概念清楚，ppt做的也不错。蒙卡前边的概统内容可能较为难以理解，机器学习那里程序也比较繁琐，涉及的内容就差不多知道框框就好。

一学期大概2，3次点名。平时作业每两周2道的样子。用python写，参照一下案例的代码还是比较简单的，认真做的话就好。把画图练了练...

期末题与往年差不多↓

微信图片_20230301125426.jpg

0.5学分的工作量，不香吗？ 水个4.0很容易吧 考前记得刷往年题，mma必考ppt上那道量子力学题，机器学习记得背ppt，有限元素法不考，有限差分的矩阵形式会考，二维条件抽样也会考。一天复习时间足够了。

最后给了97，真不戳

建议放在最前面：建议除10年以上编程经验人士、4.3志在必得人士外所有人选计算物理B，而且是张点名班计算物理B。

时至大三，对那些能在课上学到东西的课堂，我怀着感激涕零的谢意；对能在课上学到东西的人，我怀着五体投地的敬意。显然这门课不在此列，我则更不在此列。以前我还会为此悲哀、惋惜、试图奋发努力，现在只能是就这样吧，算了，珍惜吧。这算什么呢？大家或许会管这个叫认清现实，叫接纳自己，我也就当它是吧。

这个班的内容就是那些内容，也就是没有内容；任务量个人认为不算小，特别是有限元方法以后的作业可以达到丁老怪那边比较简单的作业的程度了。当然也有前辈说是0.5学分的工作量，那就是人家太强了吧。反正我这学期唯二两次通宵都是在写这0.5学分工作量的作业。如果重来，我一定会通通newbing解决，一定不会试图独立完成作业，一定不会幻想可以通过独立完成这个作业来求取任何收获，这样做除了因为迟交扣掉的平时分以外没有任何收获。

机器学习那作业是tm人写的吗？

……

本学期50%的课内学习时间（没错，我就是这么蠢），一个个挑灯夜战自我感动心力交瘁的“奋斗”夜晚，一次次看着In后面方括号里好几百的数字砸键盘，温文尔雅风度翩翩心地善良调分但就是听不懂讲课的老师，一张迷迷糊糊的试卷，不知道在哪里的收获，以及一个心存感激的3.3。想骂人都不知道骂谁，大家说说，我该骂谁呢？

所以还是去找张点名吧。最小作业量原理，有示例代码，期末背书，一样混个3.3。如果有人想去学A，学P，“能学到东西”，我是真佩服你，真的，请收下我的钦佩。

究竟是出于何种考虑，要让我在大三的前半年受这些无缘无故的折磨；究竟是什么原因让我混成今天这个熊样？计算物理，你有责任吗？

更新一下给分：观察了评论里的几个案例，感觉点名对总评的影响颇大。本学期实际上是3次点名，因为有一次签到没有填写学号，不算成绩。大概是每次签到占总评2到3分。

刚得知卷面，总评还没出，卷面98，作业总共扣1分，所以调不调分我就不关注了。

关于这门课的考试我觉得并没有那么夸张的奇诡，但也并不可谓之容易。第一题的第二类舍选法就是当头一棒，随之而来的叠加原理抽样，龙格库塔法证明，有限元素法过程，分子动力学过程以及对关联函数意义，和最后的机器学习不得不说都看起来有些复杂。

这其中，除了叠加原理和龙格库塔的证明（考这个有点离谱，计算方法不是仔细看过的很难憋出来）都在老师的划重点PPT上，但是并不在前一年“评课社区划重点”上，有些同学按着评课社区备考可能会缺漏一些点。所以建议同学们复习的时候以老师的划重点PPT为准，最好是把老师的所有PPT上的所有内容都弄懂，这样自然会如鱼得水。

第二类舍选法及其效率问题，有限元素法分子动力学方法的流程算是有些偏的知识点了吧（相对于往年评课社区和老师上课讲解着重），但是也应该掌握，毕竟属于老师划重点范围。像对关联函数和有限元素法等，其实在作业里留过，如果当时留作业的时候有研究过这些问题的话考试作答还是异常轻松的。

mma手写代码感觉没什么意义但好歹年年会考，也算是送分吧。

重头戏可能是机器学习，由于吴雨生老师的PPT逻辑性确实一般，在加上讲解的时候没什么感情很难让人集中注意力专心的听。其实很多同学抱怨的点也主要集中在这里，别的章节自学一下还能应付，机器学习这边体系庞大，逻辑纷繁，难免让人心有不爽。

关于机器学习，我自己梳理的框架是这样的：首先我们要学过概统的极大似然估计，这是机器学习底层逻辑，同时我们也会在概统课本这里看到一个熟悉的参量“超参数”，实际上机器学习也不过是在做这样一件事：建立模型拟合现象，然后根据对误差取极小来实现模型优化。

那么好，我们以下有两条并行的模型：1.线性回归模型 2.决策树模型

那么这两条线分别是：

1.线性回归→逻辑回归（增加了使用sigmod函数将整个数轴投影到概率空间实现softmax输出，其实不过是从单输出变到多输出）（softmax是一种没有隐藏层的全链接神经网络，这一点对你理解神经网络有很大帮助）→深度神经网络（添加一些隐藏层，隐藏层自动帮你实现图像或数据特征的分类，如何分类不用过多理解）

2.决策树分类→随机森林（由于是弱关联分类，所以需要集成）

除此之外一些基本的小概念要明白，有：代价函数（交叉熵，最小二乘法误差），梯度下降（随机梯度下降，反向传播），集成学习（袋装，adboost），激活函数（relu，sigmod），正则化操作（rassco，ridge，神经网络的dropout，正则化的作用是防止过拟合），过拟合与欠拟合。

弄懂这些，再加上作业独立认真完成，保你在计算物理的考试上信手拈来，踌躇满志。我听课可能只听了一半，但是每周都会单独用一些时间整理，机器学习这一章的时候花的时间更多一些，再加上考试周重点梳理了三天半。任务量也算是中等吧没有0.5学分那么夸张，但也不比计算A那么费力。

关于讲课不得不说吴雨生老师讲课确实平平无奇没什么特点，甚至在晓之以理这方面也就中等左右吧，但还是说，大学的课堂哪有那么多能明理的老师啊😂😂😂，大家都是主打一个自学，只不过这次自学的难度有点大，也没有必要对老师过分苛责。吴雨生老师还是温文尔雅，侃侃而谈的，他的气质很吸引我，索性打个高分吧！

建议想选的人先看看前几年张仁友和吴雨生一起上的计算物理的评价。

这个课上的就很鸡肋。考试不考编程，于是ppt上也不会太多涉及，但是作业要编程，而且老师好像觉得我们都是计算机天才，随便看看就能速成python。ppt就算不贴出完整代码那把一门语言的基本语法讲一讲也行啊，浪费我多少无意义的debug时间，真的无语。这个ppt除了机器学习部分，我感觉还不如看书(因为书上几乎没有机器学习)，当然，看ppt比听课高效。机器学习也没看将得多明白。。。

先说考试： Vocal！有限元素法考了！？！？？！ 还考了复合抽样，考了神经元没考决策树，还考了Verlet和对关联函数，还有Ising模型，老师期末复习课说重点考察对概念本身的理解，不会直接考大家Ising的，还说会考画决策树，呜呜呜呜呜呜呜错付了 老师面相看着是带善人，人也很儒雅和善，看看怎么给分吧（老泪纵横）

作业：前期很简单，但是作为python苦手在debug上花费了很多时间。今年班里好像有人提出来作业太简单要求加难度，导致后面代码就没那么省事了，机器学习难度直接上台阶，还碰上考试周，悲。

更建议选计算物理A，收获很大，而且至少作业难度是前三次难但难度往后逐级递减，且最后几周没作业，考试周爽爽的

听课体验确实不好，最佳方案应该是：不听课，课后研究PPT，作业不明白的问gpt，机器学习一章问gpt尤其有用。

期中附近那段时间很烦这门课，心态崩了去找老师聊天（蹭到了咖啡）。吴老师很温和。聊到关于课程的事，他表示自己也很清楚这门课的弊病，因为有些模拟方法可能在科研中会接触到，所以要介绍的内容很多，却无法深入细节，最好还需要同学自己在实践中亲身感悟。留那些复杂的作业也许就是出于这个用意吧。（老师都这样讲了...似乎就不好再攻击了...）

期末考试题说实话没有特别怪的，看似要背的内容挺多，但大部分都是“写出实现这种方法的流程”，理解到位还是挺好记的（机器学习其实也是这样，不过考神经网络的代价函数有点逆天了）。基本都写出来了，结果卷面分还是挺低的。但对着总评自己算了一下，老师确实是给向上调了一点捞上了优秀。

总之耗费精力挺大，分数上的收获没有预计的好，只能算稳妥。我个人建议是，如果明年计算物理B还是只有两个班可选，对愿意在这门课上多花点时间求稳或是想要多实践些编程模拟的同学，比较推荐来吴老师班。

史！

这课就是史！

考的什么玩意

复习了三天到了考场见试卷跟没复习一样，R2的公式为啥还要背

写代码写的手抽

机器学习整个就云里雾里，几分钟的内容被讲了三节课到最后也没听明白是怎么个事

这门课再见吧

吴老师人真的很好，但是这门课设置的太奇怪了

尤其是最后那个机器学习，我是一点也没听懂，写程序更是写了一坨，最后直接放弃。

考试前对着ppt狂复习了两天，课本基本没看，搞得头都大了，最后就默写了一堆流程

期末考炸了，七十多分，勉强过了中位数，感觉对不起吴老师的耐心教导（呜）

但是居然奶上了优秀，果然给分好啊。。。同学比我高五六分的据说都奶上了4.0

这门课的内容本身杂散，确实复习起来难度较大，这时候考题的信息筛选就很重要了。还得感谢楼上几位学长学姐的复习信息筛选，果然很有用（抱大腿）

说回来吴老师人真的善良和蔼啊。学期中时遇到作业题不会，中午去吴老师办公室答疑，吴老师还会为你泡咖啡，倾听你在大学里遇到的问题，给出建议。我真的哭死

唯一的问题就是平时作业有点小多，而且22年评分太好了，以至于今年涌进来了一大批很强的学生，有点内卷

总之真的很感谢吴老师，给个满分捞一捞老师的评分

爹！

有点名无小测。点名是用二维码点的可以让别人给你拍照。作业gpt秒了，机器学习部分作业gayhub上有，newbing也能秒。 吴老师有提供预约讨论，和老师讨论过一次，收获颇丰（不过咖啡没有兑现2333）。 机器学习不会，有限元不会给了4.0。

好像给分有点玄学啊，我说说我的情况吧。点名4/4（三次同学代到），有限元作业gpt没写对遂摆烂得8.5，机器学习作业没时间训练遂摆烂没交结果，其他都gpt秒了。期末76.5总评90