隔壁吉建民老师班的，关于这门课的定位问题之后再详写，这里单纯吐槽一下：

能不能不要再纠结kmeans收敛了......现在全校同学看到徐林莉老师的泛AI课程都直接去翻kmeans收敛证明了

kmeans一来，所有题目便都看着它笑，有的叫道，“kmeans，你又上试卷了！”他不回答，对试卷说，“上次出了大题，这次出道选择。”便排出三分分值。他们又故意的高声嚷道，“你一定又考收不收敛了！”kmeans睁大眼睛说，“你怎么这样凭空污人清白……”“什么清白？我刚考完试，亲眼看到的。”kmeans便涨红了脸，额上的青筋条条绽出，争辩道，“收敛不能算收……收敛！……学习的数学理论，能算收敛么？”接连便是难懂的话，什么“守护无监督荣光，吾辈义不容辞”，什么“搜索和逻辑都是渣渣”之类，引得众人都哄笑起来，店内外充满了快活的空气。

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

第一次见到卷面=总评的调分方式，牛逼！！！

讲课读ppt，部分助教及其不负责，作业答案copy上一届学长，题目都不一样了也不修改答案，考前问问题一直推三阻四不肯写过程，结果考试考了相似的题，可能让百度或者知乎当这门课的助教更合理一点。

卷面84因为优秀率拿不到3.7可以理解，那卷面80连3.3都不配了是吧？？？

老师是没有感情的PPT Reader。

几个助教也不知道是干啥的，往年作业答案错的也不改一改（说的就是那个SVM题）。实验文档的要求倒是不少，实验交上去没反馈。隔壁班有查分环节，本班直接出总评。

助教甚至还在群里让大家不要问实验成绩，合理怀疑助教没怎么看实验。

期末还没出，先提一句实验二好难要死了，而且实验每年轮换没轮子抄😭

更新，期末总评约等于期末分数，实验说要查重我看也没查，总体来看还行吧

总体来说这门课可以用中规中矩来形容，感觉没有什么特别值得吐槽的地方，但是亮点也不足。

先说说这门课比较好的地方：

1. 上课内容比较基础，也没有那么宽泛，这对于未来不做AI、大数据等方向的同学来说是好事。

2. 老师讲课比较认真，ppt和作业也基本包含了要(kao)点，这能给不少同学减轻压力。

但是这门课不足的地方也比较明显，而且常常与上面的有点伴随出现。比如：

1. 老师上课的内容又有点太浅了（指ml部分，虽然受限于学时和要讲搜索逻辑部分这也无法避免，但还是感觉有点可惜），有些地方我感觉可以讲的更多更细一点。

2. 老师上课其实比较催眠（应该大部分同学都这么觉得，有到课率和摸鱼率支撑）我前面搜索逻辑部分因为没学过还是认真听了，到后面学习部分就跟着划水去了，有一次课上问助教实验还被当场戳破。

下面是几个我认为老师讲的有待改进的地方（只限学习部分，仅为个人见解）。

1. 老师在讲线性模型时一开始是为了解决分类问题的，此后引入的一系列方程都是在为分类问题服务。我感觉线性模型一般都是解决回归问题的，那些（包括最小二乘）方程的引入前如果先讲回归问题可能会更自然，虽然这个模型解分类确实能在一些场合很好地解决（主要是我认为从不熟悉的场景过渡到熟悉的场景会好很多）。其实这倒不是关键，关键是这个模型作为第一个接触的学习模型，就感觉没有讲出特别浓的机器学习的味道（这样就相当于把计算方法这种数学课上过的东西又上过了一遍），其实就难免给人感到收获有限（如果时间足够，能把最大似然法解线性回归也放在这里讲一讲可能就更好，当时另一门课的老师在提到这个方法时就给我留下了深刻印象，也让我对似然有更深的理解，如果老师能多讲一些这种数学上的细节可能比讲更多绪论更能让我们对机器学习有体会吧）

2. 还有一个特别想吐槽的地方是老师讲神经网络时，讲到梯度回传那一刻，正要引出更多推导时戛然而止，我感觉有点可惜。当时老师的ppt上就只给出了最后一层的公式，没有给出反向求导的那些递推公式，如果再多讲一点可能就更完善了，但很可惜老师没有这么做，而是把这一部分留到了后续实验中去自学。（事实上神经网络的公式推导数学味道是很浓的，涉及到对数据及其对应矩阵维度的理解，还有矩阵求导这一技巧，从理解求导布局到各种不同类型的求导法则还是得补不少东西的）假如老师上课时能更多地强调一些这些数学技巧就更好，不然这机器学习部分上的还是有点像别的一些偏理解记忆的计算机课...（另外老师那张ppt的符号好像跟别的地方，比如大部分网上博客和邱锡鹏教授那本深度学习的书不太一样，当时我按ppt那套符号推个反向传播跟别的地方不一样心态就一下崩了，弄了好久才发现ppt上好求导的变量好像是激活前的，如果后面有同学想参考一些别的资料学这个得注意一下）

上面两个让我印象比较深刻所以就吐槽了一下，虽然主观因素可能比较多，但还是想发泄一下。其实主要的问题还是两点，一是讲课缺乏激情和重点（这里是指各个地方都有点平均用力，很多重要的地方就没那么突出了，比如lab2很多同学对交叉熵\onehot这种概念都不是特别清楚），二是数学部分存在感太弱（作业考试整体也偏文科但也确实无法避免，我也没考特别好，应该自我反思），有点可惜。不过整体来说徐老师还是上的很好的，这点毋庸置疑，而且综合之前说的其他因素已经很不错了，我觉得后面选课的同学也没有必要换班了。（主要是我是大数据专业的，后面讲的学习部分无论是自学还是别的课都有所了解，所以整个课上上来感觉除了lab2没什么特别大的收获，包括我身边的几个大数据的同学都有类似感受，可能还是大数据开的课有点重复的问题，可以优化一下）

另外吹一波zt助教，应该是我上科大以来遇到的最负责的助教，特别懂得站在我们学生的角度考虑问题。总体来说我认为这门课虽然有不足之处，但还是值得选的，虽然另一个班分数好像高了一点而且某个指标emmm

由于疫情原因，课程是线上进行的。

xll老师可能非常注重版权和肖像权，在网课结束的第一时间就悄无声息地把所有网课视频删除了，课程群中有同学提出能不能把视频恢复方便考试前复习，老师说：“我觉得你们应该不会看回放吧，所以我就删了”，“我想大部分老师上完课都会删掉视频吧”。

^^。

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。” 注意：不仅19春、20春的本门课程、17秋她和jpq带的这门课最后一题也是这个（有一说一，jpq才不会出这种题，这题一看就是她出的），所以我只能解释为她对KMeans收敛情有独钟，请各位一定要仔细准备。
• 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。

Artificial Intelligence: A modern Approach

统计学习方法

机器学习（西瓜书）

三本书往桌子上一摊，便如拥百万雄兵，不学也能考好。

课本上的所有算法手推两遍（一遍怕你记不住），然后另外两本书自己建好索引即可。一门非常优秀的鉴定你期末速成方法论是否有成效的课程。

顺带一提，这是我唯一翘的心安理得的课程。徐老师也不点名，卷子也不难，那井水不犯河水，给个八分。

课程感觉偏介绍，只是让你大概知道人工智能是做什么，但还没有入门，课程内容很丰富，但都是点到为止，今年考试是隔壁班出的（和往年卷差别很大，估计是怕大家押题）。lab1很简单（有手就行）；lab2有一定难度，第一部分是对上课所讲重点内容的复现，算法大同小异网上都能找到参考，第二部分有难度，需要自学一些东西。

唯一不满意的地方就是lab2布置的太晚，考完试后的一周内都在做实验。

关于给分，调分力度应该很大，实验好好做的话有惊喜。

本人期末考试刚好和平均分一样，lab2全部做完，拿了优秀。

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

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。

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。