数据科学基础

课程内容：同下 上课自由度：极低，这学期小测总共有7次（3次有通知，4次没有）——相当于游戏里7个BOSS，只有3个在小地图上有红点，剩下4个是纯纯的伏击，随机刷你脸上 考核标准： - 10% 出勤 + 30% 三次course project + 60% 期末 授课质量： - 老师上课很催眠，几乎0人抬头，不过老师也不管——这课属于合法ASMR，抬头率约等于零，但老师走的是"你睡你的我讲我的"佛系路线；PPT做的挺不错的，条理很清晰，美中不足是有些部分有点过于简练，复习的时候不仔细看很容易错过重点，简练到像把一本书压成一张便利贴，重点都藏在缝隙里跟你玩捉迷藏；newly应该是做CV的，所以这门课里面分享的很多工作都是CV领域的 - 期末考试前划了重点，虽然和最后考试内容完全吻合，但是我的评价依然是**如划**，很多地方考察的理解其实和PPT没有任何关系（比如问LDA降维的维度为什么必须小于总类别数，这在PPT里压根没有）——划了，但划了个寂寞；重点跟考卷完美重合，可我依旧给出**如划**二字，因为一堆考点属于PPT里查无此人，比如LDA降维的维度为什么必须小于总类别数，恭喜你在PPT里搜不到，搜到的只有你的茫然 - course project 和之前的评论说的一样，想拿高分（>=9）必须卷，如果能拿到pre的机会最好 - 虽然这门课确实事情不少，但是最后给分还可以（班里面有满分的同学），在成绩提交教务之前newly还在canvas上先发了一下成绩，听说有同学去argue最后成功提分了

大学三年混下来我头一次碰上——上课被老师喊起来答不上题是负收益，嘴一张一个问题答岔直接总评−0.5，炸裂了 作业报告也得卷出花来才能摸到9分往上，攀到10分基本得达到选你们上去做汇报的那张脸的水准，三次作业平均都在8分右一点，也就是说7分乃至更低的不会在人海里稀少 期末给得还行，勉勉强强挤进A，就勉强多加一颗星算是一个台阶下台阶。

课程内容： 上课自由度：high frequency quiz加抽问，没去直接往总评上砍刀 考核标准：超级严苛，期末均分73，总评均分76 授课质量：

课程内容：顾名思义，数据科学基础，菜单是特征工程/降维/距离度量/kernel trick/数据预处理/奇异值分解/特征值分解/域适应/域泛化，一整个套餐端上来。 上课自由度：一学期五次签到，每次两分。有三次点名回答问题，提前一天通知，点到了是1分，答出来是2分。两次课上做题，交了拿1分，每题做对0.5分，三题做对两题拿满（第二次做题怎么给分我忘了，脑子已离线）。出勤这块攥得比较死，但课上你干啥它不管你，你甚至可以在下面闭目养神。 考核标准：10%签到+10%*3作业（需英文报告，英语渣当场去世）+60%期末 授课质量：内容全是老师现搓的，体系感拉满，几乎不碰数学推导，纯讲思路，难度不高，讲得清楚得像开了字幕。每次上课先回锅上节课内容帮你回血。而且老师基本当你是AI零基础来喂，我这种菜鸡听着就是两个字：舒服。 平时作业给分听说也还行。老师自称一般给8/9分，只有特别敷衍才给6/7分，每次还选五份优秀作业上台展示，额外加分。本人第一次作业一晚上速通，因为英语渣几乎没分析，老师还是给了7分。后面两次因为迟交太多，虽然写得比较充分，但还是只给了6分，属于自己作的。期末题目也不难，一周速通，最后基本都会，扣分主要怪粗心。 就授课质量来看，个人感觉这是一门非常合适的人工智能入门课，学得舒坦（不像机器学习，那堆数学推导看得我头大）。主要缺点就是老师比较严格（主要是在屁股后面督促你学习）。要是课都去上，作业马马虎虎但按时交，最后总评上90也挺简单的。 （老师本科是科大的，这风格很符合我对科大的印象）

课程内容：数据科学全家桶，一个板块都不落。 上课自由度：高。 考核标准：平时+作业+大作业展示与报告。 授课质量：高。大作业会比较花心思并且需要打榜，但这门课选课人并不多所以没有优秀率限制，最后给分也很慷慨，并不会因为打榜排名而拉开分差(均分93，最低89，最高97)。还是很推荐这门课，在大三下是一个很不错的选修课选择！