复习笔记，应该比实际要背的多，结合老师考试画的重点看

计算物理背记.pdf

另外提一嘴，大家编程作业好好写写，实际上我的作业对总评影响更大，助教改作业判的比较严格。

不过好在魏老师没有卡我的绩点，抬了一小手了，感谢🙏（对比zzy似乎是向下取整，怎么能不爱魏老师）

其实计算物理蛮简单的，很好自学…看PPT效率更高感觉…

目前体验良好，感觉老师人微微胖（很有佛像？），蛮可爱的

感觉综合了wys与zry的优点

PPT改编自wys，甚至排版更加符合我的审美，而且去掉了许多说不清道不明的统计力学/量子物理/固体物理部分，作业量比wys班少蛮多的，兼具有zry老师作业量少的优点

不过可惜的也是自己太懒，感觉技能提升不大，可能比较适合之前完全没有接触过Python编程的同学

只是不知道考试会怎么样，希望老师仁慈，希望不是巨大记忆量

机器学习更新

期末复习浏览了各个评课，感觉魏老师讲机器学习应该是很不错的。至少从魏老师特意提前讲机器学习可以看出来魏老师是比较重视机器学习这一块的。

目前感觉赢麻了

魏老师是按照吴恩达的视频改编的PPT，不再是wys版本，基本上给我的体验就是吴恩达网课加速版（虽然我之前暑假已经自学完了一遍，听课并没有怎么仔细听，但感觉是这样的）

而且机器学习给出了示例代码，作业是有一点难度的，但在事例代码下加上GPT帮助应该也不难完成。

今年诺奖都颁给神经网络了，o3前几天也刚发布，AI的时代似乎真的要来了…

十星好评

不考mma代码的含金量！

卷子蛮简单的，无极大记忆量，考察的都是要理解的部分，出的挺好的

考试的时候蛮多人提前交卷

但是，预计很多人卷面分很高，出现向下调分（悲）

吹一波魏老师，之前貌似在常校组里，怎么不算事天文人的缘分呢（

我宣布，计算物理之光来了

（还没出分，希望别被毒奶了呜呜呜）

未被毒奶

计算物理的光来了

阿门（）

感觉魏老师讲的很好，但距离考前21h我还差900页没背😭

二编：还有六百页没看，还在蒙特卡洛

三编：还有四百页没看，已经在机器学习了

四编：孩子们我复习完了，但是能记住多少不知道，等考上吧

五编：感觉考试题目还好但是神经元网络反向传播公式没记住，只能自己现推了😭

六编：计算物理唯一真神出现了

七编：感谢魏老师

课程内容跟计算方法高度重合了，前半学期基本没啥新东西，后半学期基本就是概念灌输，不过老师的ppt做的很好，比课本好用的多。

平时分高达60，一定要拿满，不然会很伤的，顺便一提，数次不定期点名，以及助教作业批改特别严格。

考试内容老师专门过了一遍，注意标注的内容一定要好好看，都是考点（不是单纯的希望你了解就好），代码不考，只需要说出流程。

计算物理纲要 .pdf

考前复习课重点精准，考试不考代码，不涉及mma手搓，简直是计物B一哥😋😋

（虽然机器学习部分作业挺难写的）

八编：本评论包含以下内容：发电，考试题目，课程资料

作业好难 不会写啊啊啊啊😭

为什么我的眼里常含泪水，因为距离考试只剩两天，而我刚考完还没复习

三编：要似了

四编：距离死亡还有九小时

五编：2024秋题目

1：线性同余法生成随机数 第一次作业第二题

取 \(a=137,c=187,m=256\) 和\(x_0=1\\)，用线性同余法产生出二维数组\(\{ \xi_n,\xi_{n+1}\}\)

2：指数分布抽样及重要抽样法 描述步骤不用求值 第三次作业第一题

（1）抽样指数分布

\(f(x)=\lambda\mathrm{e}^{-\lambda x} x\in[0,\infty)\)

（2）重要抽样法并用第一问的指数随机数产生器求积分 

\(\int_0^{+\infty} x^{3/2}\mathrm{e}^{-x} dx\)

3：二维伊辛模型 metropolis方法 求总磁矩的期望 问配分函数Z未知是否会影响抽样

4：有限差分法 

（1）二阶形式和五点差分格式 

（2）有限差分法和有限元素法的异同

5：考虑最小像力约定和周期性边界条件 截断距离3 元胞内一粒子和哪些粒子有相互作用 

verlet方法

6：机器学习 

判断下列方法可以改善欠拟合还是过拟合 

共五个

增大、减小正则化因子 加样本 还有两个忘了

7：机器学习计算 

给了\(x\quad w_1\quad w_2\quad  w_3\quad b_1\quad b_2 \quad b_3 \quad y\) 隐藏层\(g(z)=\frac{1}{1+e^{-z}}\) 输出层\(f(z)=z\) 误差函数\(J=\frac{1}{2}(\hat{y}-y)^2\)

（1）求隐藏层和输出层的值 \(a^{[1]}\quad a^{[2]}\quad \hat{y}\)

（2）写出反向传播的表达式 其中超参数\(\alpha\)是什么

（3）计算\(J\)对\(\hat{y}\quad a^{[2]}\quad a^{[1]}\)的偏导\(\frac{\partial J}{\partial  \hat{y}},\frac{\partial J}{\partial  a^{[2]}},\frac{\partial J}{\partial  a^{[1]}}\)

（4）计算\(J\)对 \(w_1\quad w_2\quad  w_3\quad b_1\quad b_2 \quad b_3\)的偏导\(\frac{\partial J}{\partial w_1},\frac{\partial J}{\partial w_2},\frac{\partial J}{\partial w_3},\frac{\partial J}{\partial b_1},\frac{\partial J}{\partial b_2},\frac{\partial J}{\partial b_3}\)

六编：老师不要挂我球球了😭😭😭

七编：包含课件，作业，习题课

不知道为什么传不上去，有需要的留下邮箱，我给你发过去，如果可以的话，请传到pksq

课程：计算物理其实偏向于导论性质，一个学期介绍了一系列重要的计算技术（以统计为核心），但每种方法都浅尝辄止（受限于课时），因此不建议过分纠结细节，而是主要把握算法的要义，或者说按照老师的思路学习即可，更深的细节讨论心里可以有数，但暂时不考虑。

上课：魏老师主要使用ppt，且有不定期点名。总体来说老师的陈述水平中庸，语调平和，不很催眠但也不很有活力。

作业：相对于其他班级，魏老师的作业可以说是比较少的了，一学期仅7次左右的编程作业。编程语言主要是python，但实际上python与C充分接近，而且会可以更灵活地调用库函数，十分便捷。对于无python基础的同学，建议没必要专门学习python，而是以问题为导向（这也是老师推荐的），在写作业时有效利用gpt和工具书。（不是建议大家完全借助AI，而是主要查询不熟悉的语法，算法流程自己务必熟悉。不过机器学习的作业会显得比较麻烦，很多内容并不清楚，大家搭建神经网络时可以多参考一下AI）

考试：本人非常欣赏魏老师的考试方式，即主要考察学生对基础概念、算法流程的理解，而不是像平时作业那样拘泥于具体计算，毕竟算法才是核心，其它细节或多或少只是工作量的问题。

给分：基本上是六四开，而本次考试相对简单，故老师几乎不用调分优秀率可能就接近40%，甚至我觉得可能还需要向下调分。同时作业批改较严，因此需要大家注重平时作业。

助教作业给分非常差，剩下的出分后再来评。

完全不调分，因此助教作业给分差非常影响。本人卷面几乎满分但总评不高。有可能换个助教会好些。