BYR Achieve · 镜像论坛

最近在看各位同学提交的机器学习导论课程作业。我算不上一个悲观的人，但这两天受作业情况的影响，常常有一种莫名的无力感。谈几点感受吧，算是吐槽，也算给大家提供一个吐槽这门课的窗口。引子：第一次课时，便提醒大家选课时要冷静，不要被话题王和流量带偏，好奇固然重要但不要跟风，作为机器学习导论课（非实践类、非高级类），我们将透彻地讲一些机器学习的基本概念、基本原理，希望通过本课程学习，对机器学习尤其是几个经典的模型和算法，以及它们之间奇妙又有趣的联系，具有整体认识和把握，以激发后续的学习兴趣，为AI其它知识的学习奠定一些基础。（原话是：We are not visiting zoos!）同时，没有考试，但需要从10多个候选作业题目中选够100分。第二次课时，教务系统中的选课人数从140多人锐减到60多人。（我的内心OS：理解万岁，留下来的都是朋友！）。正文：言归正传，说说作业，大体分为三个正常的类型： 1. head，作为一个乐观的人，当然要先说好的。一位同学作业选了180分，探索了诸多课上提到但没讲到的方法，数据翔实，逻辑清晰、精炼，实验过程和实验数据的分析也非常的sound和solid，还有几位同学，代码写得非常漂亮，注释也很标准和专业。昨天和同事开玩笑说，不如我们把这些同学都“包养”过来吧666666。 2. mid，中规中矩，也有选题超过130分的，很规范的采用了课上所讲的方法，甚至公式，报告逻辑很清晰，结果分析也很可观中肯，代码天然纯手工，作为初学者，这种态度其实特别招人喜爱，不好高骛远，也不妄自菲薄。 3. tail，大体学了或使用过一些ML的tools，以sklearn最为典型，因为用了现成的工具，实验报告和代码也泛善可陈，知其然，但不愿意知其所以然。其实，即便我不说，上面的情景大家也能猜想到。但下面这两个另类，承包了我80%的烦恼： 1.直接copy old solutions：博客、论坛，知乎，copy的源各有不同，但是你直接copy同学的，是可忍孰不可忍呐！这类同学，作业直接最低分，很sorry，被copy者也无从幸免。所以，各位，害己莫要害人，请保持我们的底线。 2.最尬的是，对作业完全置之不理：这类同学，我实名羡慕你的潇洒！我想扶你上墙高位出道好不好！！如果哪天我申请取消这门课了，这类同学必须背这个锅。。。。令我操碎了心呜呜呜呜。小结：我邮再差也算是211吧，所以请我们自视再高一些，要求再高一些，积累自己的核心竞争力，学有所长，专有所攻。否则，以你全省前2000名的高考分，去蓝翔、青鸟、新东方，这种优越感足够你划破长空糊穿地心了23333，跟在北邮浑浑噩噩度日如年相比，你pick哪个呢？附录：最后，摘一些积极向上的课程感想吧，我们要发现、记住和传递每一个美好，不是么？ “首先谈谈个人体会，袁老师在第一节课就说的很明白这门机器学习导论是理论比较多的课，我当时还不太理解，因为在我的认知当中，机器学习应该是完全Learning by doing 的一门学科，但是在逐步学习中发现，机器学习，如果只学调包调参，并没有必要开一门课。以目前机器学习最热门的语言python 为例，只要安装了sci-learn，剩下的就很简单了。所以真正需要开课的，还是机器学习背后的理论，在这点上，为老师点赞。此外袁老师精炼总结的机器学习数学基础，让我迅速复习了之前所学的内容，并能够看懂一些机器学习算法的推导，十分感谢。” “P.S. 有了这部分机器学习的基础，我顺利通过了腾讯数据分析岗位的实习面试。面试官曾问起我几种聚类算法的区别(Kmeans 和层次聚类等)，而我，微微一笑，回忆起了袁老师刚讲的内容，从容应对。” “我个人觉得, 机器学习这门课是我在大学碰到的难度最高的课程之一, 里边既有复杂的数学, 实现还需要一些code能力, 让人头疼不已, 但是机器学习也是一门十分有趣的课程.从自身角度来说, 学会怎么推导相关的算法, 这个过程是富有挑战的, 在code上也是, 而且完成后还会有不小的成就感, 一旦进入这种正反馈, 学习起来就不会感到枯燥, 也会比较享受这个学习的过程. 从应用上来说, 如果使用得当, 将会节约巨大的人力, 促进相关领域的发展(比如机械行业的故障诊断), 这是一件令人激动的事情.”

《机器学习导论》课程总（tu）结（cao）