分几个部分说一下本学期上课的感受：

首先是教材/ppt，没买教材，所以速通全靠老师发的ppt。首先课程提供ppt是好事，至少大家不用去买那两本贵的要死质量又堪忧的自编教材。然而ppt的可读性的确比较差，typo也有点多，不太适合自学，可能上课听过一遍才能看得懂。但是其实可以直接把ppt喂给AI让他给你分模块讲，这样的话学习起来更加轻松些，有不懂的还可以随时问。

然后是实验。关于python的部分其他评课也说了我就不评价了，我想说一下期末的大作业。布什戈门你这大作业三选一三个任务的工作量真的一样大吗？那个CNN的实验六十几点任务我实验报告写了60几页直接期末周给我重创。我只能说，后来的人一定不要选CNN，纯纯坐牢，而且你做了这个最烦的也不会有任何加分。

关于老师和助教，我觉得还是很不错的。陈老师对课程非常认真，同时也体贴大家，实验课晚点去也不会有什么事，课堂上也会和同学们互动。三位助教bb系统上教的作业也会批改，错误会反馈，期末考试前也有习题课。

最后是考试和给分，对于速通党（比如我）来说十分友好。由于是数院大二下提前选课，本学期专业课压力很重，这门课考前基本没学，最后靠chatgpt在两天内速通到4.3。如果你学的好的话，考试是十分简单的，甚至不需要你真的“懂”太多，本质就是拟合作业题和往年卷，再加上一个背书记忆大赛。（这让我考前一天拼尽全力完整弄明白transformer原理的行为像个小丑因为考试根本不考）感觉重点就是：卷积神经网络，线性回归，BP手算，Transformer QKV的计算……把这几点拟合完考试就基本拿下了

其实这门课的体感并不像传闻中的那么差。pksq口诛笔伐的“四周学完python，之后大作业突然难度飞升”，这固然是不合理的，但LLM的出现也赋予了这荒诞一定的合理性。扣德叉老师，我还记得你。

除开实验部分，这门课的理论部分比大部分的数理基础课程都要轻松。这门课有显著的导论性质（我认为“人工智能原理导论”或许是更合适的课程名），考试中大部分的知识点都是对零散知识点的概念性考察，并不涉及多么难的数理内容。真正需要计算的主要是神经网络和transformer，这两者也是把相关的少数几个公式理解透了就没有问题。至于如何理解透，无所谓，3B1B会出手。

期末考试的题型：5单选（2分），5多选（2分），10判断+说的道理（3分），3计算大题（好像是14+16+20）。计算大题只涉及线性回归、逻辑回归、全连接神经网络、CNN、反向传播、Transformer、LLM。把这个要求和课程PPT输入给任何一个AI Agent，都可以得到一份质量尚可的模拟卷。用其他AI生成的内容进行训练，这个行为似乎俗称蒸馏，令人忍俊不禁。

大一小灯提前一年选修这门🔟课，上午刚刚考完，下午来写个pksq

以及也可以参考这位🕳学长的点评：https://icourse.club/course/26619/#review-102642

首先给出打分（满分10分）：

• 老师和助教：8分，确实都很用心，老师也是在尽力把课程教好，态度端正，对待同学也很和谐，下课后也会回答同学的疑问
• 课程内容本身：2分，2分是给在深度学习本身的内容上的，实际课程安排和讲解简直就是一坨，后面细说
• 上机实验：5分，全部是给Claude的，上机实验注意到同学们不会python，花了五周的时间学各种基础调用，之后立刻难度飞升，大作业搓Transformer，对于小白简直就是诗人我吃

实验部分

为什么大家都对这门课口诛笔伐呢？如果以一个小灯的视角带入，大一的你刚刚学完各种通修的C语言程设，捣鼓各种面向过程的小技巧，什么拼接字符串，突然这节课就是Python的天下了，于是你需要开始花时间从头学Python，上了几周简单的Python入门实验课之后，突然难度陡增，三周时间分别完成手搓逻辑回归，手搓反向传播，还有大作业（Transformer, 图神经网络几个里面选），关键是几乎没有人教你如何调用各种函数，各种包，各种接口，课堂只会以飞快的速度掠过各种明明需要花时间啃的数学原理。于是实验这块你开始手足无措，只有借助AI才能在正常期限内完成。

课堂内容

本课名为 人工智能的数学原理与算法，但实际上是 人工智能原理的历史与背诵。课程涉及内容繁杂，从深度学习基础的流派，到线性/逻辑回归模型，损失函数与梯度下降，再到MLP，CNN，之后是图神经网络，Transformer，自监督学习。

然而，注意到虽然涉及这么多内容，但是你需要学多少呢？如果从上午考完的试来看，很遗憾，你完全可以对深度学习毫无素养但是可以靠刷题就拿高分。例如，你不需要手推深层神经网络的反向传播，不需要处理复杂的偏导，不需要知道反向传播计算图这些堪称MLP的基石，简单的偏导知识就可以做出倒数第二道压轴题。卷积神经网络，这么重要的内容，考查的知识点居然只有一个“参数量的计算”。RNN和LSTM，这更是Transformer之前必须要引入的内容，也就考了一个“梯度消失的原因”，Transformer考的是手动计算注意力矩阵，除此之外基本就没了。

讲课内容也是飞速，图神经网络一节课结束，Transformer也是一两节课，不知道的以为是科普导论课，对于已经学会的同学而言，坐在前排听老师介绍回顾是合适的，对于一个正在学习的学生来说，上课犹如坐火箭。课程的内容，速度和安排可谓及其抽象。

个人想法

这门课程不上不下，既要成为全校通修的课程，又做不到浅显易懂（比如实验课的Python）

既想要培养大家的AI素养，却又不考察一些真正学习深度学习理应知道的知识（比如考个反向传播原理的推导啊，这才是需要知道的，而不是怎么计算CNN的参数量）

我的一些想法和建议：

• 去掉那些繁琐没用的计算，换成一些不难但真正有用的题目：比如去掉第一第三大题这种无意义的计算，换成手写伪代码，比如手写个CNN的伪代码之类，即使是调整shape尺寸，CNN函数的接口，也比无意义的计算参数总量有用。
• 考查“为什么”而不是“怎么做”：既然是通修课程，不应要求同学们花太多时间深耕深度学习里面的原理，如反向传播的严格证明等，改成一些论述题，比如“简要介绍RNN，LSTM，attention机制的优缺点，以及Transformer机制是怎么一并解决的”，这类题目可以考查学生对于深度学习各个领域的理解和素养，同时也不过分深入数学知识。
• 在现有基础上做减法，与其蜻蜓点水般掠过各个知识点，不如稍微扎实地学学几个重要的知识点，比如图神经网络和强化学习完全不需要放到课程里面，反倒是在Transformer之前应该多加一些RNN和LSTM的前置知识，这样才能体现出并行计算的优势所在。

出分后会再补一段，同时把还没整理的笔记放上来（

这大作业怎么这么难

我真的好累啊

能不能给我一点活路