不知道为什么评分这么高。

这里讲讲这门课体验差的地方：

上课：一上课基本都是低头在那里照着PPT讲，好无聊，到后面learning部分才有自己的板书。

作业：除去learning部分，其它部分布置的作业基本就是把学生当作人肉计算机了，写作业写到头皮发麻。

实验：第二个实验大概是延续了一贯的风格：要求多，期末临近考试才布置。

助教：貌似助教是她的研究生，后面有可能会继续带的，所以这里提一下还是有点参考价值。以往都是参考答案有错，学生跟着出错，这个班的助教比较牛逼，答案错了，助教跟着错！！！算是让我大开眼界了。PS：这个班是唯一一个助教在期中座谈会上被点名投诉的一个班。

说一下期末：

1. 最后一题考K-means算法的收敛性，带的西瓜书和《统计学习方法》没用了。

2. 两个老师联合出题，隔壁班出的题有点坑，出的作业题和小测题(没看隔壁班的作业题快哭了)，其中一题叫手算出一棵决策树。。。

讲课作业实验都很靠谱．不过目的是想要在这门课上了解比较新的人lian工dan智fang能fa的同学还是三思吧，因为讲的是比较经典传统的人工智能内容（搜索，逻辑，概率论，还有贝叶斯方法，决策树，回归，SVM等一些明显能找到数学上解释的方法），教材是＂人工智能：一种现代方法＂．翻一下目录就能大致判断这门课的内容了．

感觉llx的本科课（人工智能导论，Web信息处理）最后考试都会涉及线代知识，还是比较重视数学基础的一个老师吧，包括上课的数学推导等，都讲得很细致，不会把人工智能当成纯粹的调参学来看待．

衣品也超棒棒的啊，PPT做得也是一贯的清晰风格，即使是期末几天速成所有PPT也完全不会感到不适（相比之下隔壁体系结构的大杂烩PPT就看得很难受了......）．而且脾气好，我有一次课间一不小心关了她的投影仪都没生气，然后就被圈粉了（捂脸）

     给徐老师一个大大的赞！她是我来科大三年见过的最有知性美，着装风格最得体的老师了，上她的课简直是一种享受。课程包括每周的讲课，基本每周都有的作业，两次实验和最后的期末考试。她课上的很好，作业如果认真学的话很简单；实验一次是22数码问题和n皇后问题，还一次是用python实现三种方法的垃圾邮件检测（期末考后一周内提交），实验感觉还挺费时间的；考试的话是开卷考，考了贝叶斯，极大极小剪枝，A*算法等，强烈建议带一本《统计学习方法》，有一题几乎一样的推导过程，考前有空可以看下矩阵向量求导的方法，这两年最后一题都考的这个。

    给分很不错，我期末考挺差的还拿了90，太惭愧了

严重同意各位说的“这门课没有往届说的那么好”的观点。

槽点如下：

• 上课纯念PPT，且后面讲到SVM的时候速度略快，导致听的比较迷糊（心理上的和生理上的都有）。
• 助教不负责任。一次发完作业之后在群里发公告说批的有问题，答案不是A，应该是B。后来有人与助教argue，最后确定答案是C。
• 实验难度较大，尤其是实验二，让手写KNN、ID3、SVM、KMeans、PCA、HC六个算法，不让调sklearn，SVM的交叉验证一跑跑一夜，我相信大部分人最后都是压着DDL赶完的。对于实验的给分，我不做评论。
• PPT英文，为了应付开卷考试，需要在PPT上做很多批注。由于是两个班统考，因此有一些问题的答案在书而不是PPT上。
• 考试最后一题：“KMeans算法是收敛的吗？请说明原因。”
• 卡我89。

当然，有一些是值得表扬的：

• 这门课是“人工智能基础”，只会让你对AI有个初步认识，很多地方（如NN）都是略讲的，这对不想搞AI的同学算是个好消息。
• 实验二可以（隐式地）教你用numpy让你的代码运行速度变快。当然，学习的过程是残忍而痛苦的。

emmm讲道理确实没有感觉像之前的评价说的那么好。讲课讲的其实挺无聊的，经常念ppt念都头发晕。考试因为是开卷，所以没有什么记忆的压力。徐老师的课程内容与隔壁班王老师的课程内容相差非常大，授课重点是真的有点大，期末复习时取交集复习结果王班的一大片都被划掉了。PPT跟着讲课看没啥感觉，但期末复习的时候看的是真的自闭，不明所以，使用体验极差。

课程内容分为三部分，搜索，逻辑以及Learning；

1. 搜索就是各种基本的搜索算法，第一个实验就是写A*和IDA*搜索迷宫以及使用α-β剪枝做五子棋AI，A*后来提高了迷宫的规模，要做不少额外的剪枝工作，五子棋就很玄学了，这种东西你也不知道你究竟写的对不对，毕竟没有一个标答，但一般来说是下不过写出来的AI的（可能是我太菜？）。

2. 逻辑部分与数理逻辑有重合，但注重实际应用，且期末不考，这里就不细说了。

3. Learning部分其实应该多讲点，但讲的比较粗，就决策树，SVM，K-Means和PCA几个方法讲的比较细，剩下的更复杂的模型啥的基本是一笔带过。第二个实验分为无监督和有监督两部分，有监督写KNN，决策树以及SVM，无监督写KMeans，PCA以及层次聚类，不可以用各种集成的包，比如sklearn，不然一行就写完了，写第二个实验需要用到大量的numpy相关的知识，如何提高运行速度也是需要考虑在内的，认真写的话确实能学到很多。但最后评分就真的太气人了，估计就是只看了报告写的怎么样，源码什么的不存在的，玄学评分玄学给分hhh

期末考试试卷讲道理不是很难，但题目出得是真的气人，明明是道多选，题干却是“下列。。。的一个是”，一个你mei啊。甚至还出了隔壁班作业原题，Learning部分考的是让手算一个决策树，以及证明K-Means为什么是收敛的（对不起不会证，带的材料里也找不到hhh）

可能是卷面一般，然后实验给分有这么玄学，最终总评木有优秀，真实无语。

老师人很nice，而且也很可爱。hiahiahia

平时作业不多，还蛮好写的。实验有两个，第一个比较基础，用c做。第二个难度较大，需要掌握机器学习的知识。期末开卷，题目四个判断八分，四个选择八分，剩下都是答题。2018年大题第一题考了启发式函数，让你自己设计一个并且根据A*画图。第二个是极大极小值和a-b剪枝问题。第三题是课后题，考察的是贝叶斯定理。

第四题是贝叶斯网络，让你求一些概率之类的。第五个是关于核函数的两条性质的，让你证明。第六题向量求导。总之开卷，你可以多带些机器学习方面的书，或许会有意想不到的帮助。

期末开卷，可以带书、作业、课件等等。

上课收获很大，有点难度，最好有点基础来学。

我个人学的不错，实验作业好好做。期末时虽然开卷，但基本上还是看平时积累（开卷一般都是这样吧，难道要现场一题一题查？）。最后我考也不错，给分很好，比较公正。

其他院的来水一水。课是不可能听的，只有靠自己看书才能维持生活的样子。。。

吐槽第二个实验，写这么多不如让我们直接学一下怎么调包好了，反正算法也不难。

期末感觉自己考的还行，但是总评出来只有74（为什么计院的课都没有查卷环节啊）只好安慰自己这是拿gpa涨点见识了。

理论很水，大作业稍微麻烦了一点

1. 22滑块问题的 A*搜索，IDA*搜索，八皇后问题爬山算法，模拟退火算法，CSP算法等实现两种

2. 手写一个SVM，这个比较麻烦，需要考虑Quadratic Optimization，一般使用的是（简化的）SMO算法，好在网上都有教程，可以Ctrl+C一下（还是得理解，毕竟大家的代码都有区别）。PCA，这个只需要调用Numpy库直接求特征向量就分分钟解决。还有就是线性拟合，只需要知道(wx-y)^2这种显然是个凸函数，直接求导找零点就行（当然其实就是计算方法里的矛盾方程组，Least Square）\((wx-y)^2\)\((wx-y)^2\)

主要问题是第二个实验跑的特别慢，当时还推迟到了假期提交。

至于考试就比较简单了，没有考书上复杂的东西，甚至连贝叶斯公式都出题了。

给分貌似还行，实验随便做了做没有特别认真，考试感觉全对，最后给了个4.3

赞美XLL，人好，讲课也好。

唉，发现能让我觉得是好老师（各种意义上）的科大老师感觉都是女性啊。

上课没点过名，然后有时间的话听听老师讲也不错，讲的还是相当不错的，自学的话，也可以。