人工智能
Artificial Intelligence
模型、数据和实验缺一不可。报告要写得出为什么这个设置能支持结论。
机器学习、深度学习、NLP、视觉与相关选修。
适合谁
适合机器学习、深度学习、NLP、视觉、强化学习、数据挖掘、概率图模型或 AI 伦理课的同学。会调包但说不清指标、消融和失败案例，是最典型的求助原因。
用深度学习做毕业论文、需要方法与实验章节的人也可以从这里进。没有 GPU 不是拒绝理由，但编曲线、伪造用户研究会被直接拒绝。
覆盖什么
- 问题定义、数据与泄漏检查
- 基线、指标、消融、误差分析
- 方法章、实验章、局限与伦理
- notebook 与超参表如何写成可复现步骤
- 相关工作按方法族对比，而不是堆引用
- 不覆盖代跑集群、伪造结果、代投期刊
怎么进行
- 01先看数据能不能用、指标是否匹配问题。类别极不平衡却只报准确率，后面的模型再新也站不住。
- 02再看实验能否复现：种子、划分、预处理、超参必须写进同一张表。同时改三个因素的“提升”不能当贡献。
- 03把图表和文字对上。讨论段要能解释数字下跌，而不是只保留最好的一次训练。
- 04论文或报告最后写局限：泄漏风险、计算约束、若重做会改哪一处。不承诺发表。
在 CS / SE / AI 里怎么落地
经典 ML
特征、验证、不要泄漏。报告里要有误差分析，而不是“模型表现良好”。弱基线必须先出现。
深度学习与感知
训练曲线、过拟合、消融；GPU 环境自己准备。张量形状和损失说不清，实现作业会先卡在这里。
论文方法
相关工作怎么收、贡献怎么写、实验怎么支撑主张。伦理课则要把公平性指标写进具体系统，不要写立场短文。
辅导后应能做到
- 实验设置可复现：数据划分、基线、超参都有记录
- related work 按方法对比，而不是堆引用
- 结果讨论分得清指标提升和实验假象
课程目录
| 课程 | 英文名 | 常见考核 |
|---|---|---|
| 机器学习 | Machine Learning | notebook 作业 · 理论短问 · 小规模实验报告 |
| 深度学习 | Deep Learning | 从零实现层 · 迁移学习实验 · 消融 |
| 自然语言处理 | Natural Language Processing | 文本分类 · 序列标注 · 生成或检索作业 |
| 计算机视觉 | Computer Vision | 分类/检测作业 · 数据增强实验 · 可视化分析 |
| 强化学习 | Reinforcement Learning | gridworld 实现 · 策略梯度小实验 · 稳定性讨论 |
| 数据挖掘 | Data Mining | 清洗流水线 · 聚类对比 · 模式解释短文 |
| 概率图模型 | Probabilistic Graphical Models | d-separation 题 · HMM / 贝叶斯网实现 · 推断短报 |
| AI 伦理与评测 | AI Ethics & Evaluation | 案例短文 · 评测方案 · 影响分析 |
相关公开导师
这一页常被问到的
没有 GPU 怎么办？
小数据或 CPU 可跑的子集也能做完整实验设计。我们帮你缩小到可复现的规模，并在报告里写清计算约束。
能帮我发论文吗？
我们辅导方法与写作，不承诺发表，也不代投。贡献声明必须经得起“拿掉你声称有用的那一项之后数字还在不在”。
作业和毕业论文有什么差别？
作业按一次实验或一份 notebook 推进；毕业论文按章节和里程碑。数据或系统对不上正文时，先对齐再加实验。