NKUCS.ICU
NKUCS.ICU copied to clipboard
NKUCS-ICU
COSC0056 Python语言程序设计
https://nkucs.icu/#/courses/grade-2/COSC0056
NKUCS，一个充满了「神仙」和「神仙」课程的专业，本网站旨在记录 NKUCS 的信息以及历届学生的评价
平时任务不多（和对面java比起来），成绩占比是40％平时分，包括考勤和quiz（quiz是课上做出来且做对为100分，课下做对为60分），60％是大作业，有三个难度等级，最简单的是做小游戏，中等难度是泰坦尼克号生存预测或天津房价预测，最后就是虚假新闻检测，不同难度给分不同。以及老师会从开学到期中退课期间一直提醒你退课哈哈哈哈，不过人很nice~
21fall，授课教师：陈晨
平时作业不多，主要是上课的随堂练习，每道题限时十分钟，部分来源于洛谷和CODEFORCES，对于完全没有接触过PYTHON的同学来说，时间较为紧张，甚至有的题目比较困难。老师会在截止提交之后讲解题目并在IDLE上写出代码，课后需要把课上练习的代码提交到tronclass上。这部分和考勤占期末总评的45%。
大作业占总成绩的55%，整体上是机器学习或者深度学习的内容。分三个等级。均需要提供实验报告，源代码和演示视频。
Simple是写一个爬虫或者小游戏。做最简单的期末封顶80分。截止时间10月底。
Intermediate有四个选题，Loan Prediction、Housing Prices、Titanic Survival、Wine Quality。就是机器学习中非常经典的分类问题和回归问题，都是有监督的机器学习。学过数据分析的同学应该看名字就非常熟悉，大都是来源于一些著名大数据竞赛网站的入门题，比如Kaggle和天池。不过课上所提供的数据集都不是原来的数据集，都是删减之后的，变量个数很少，对数据预处理的难度也大大降低，几乎不需要做特征工程，只需要直接调用模型进行预测。做中等难度期末封顶90分。截止时间11月底。
Challenging是虚假新闻检测，由于陈晨老师是研究NLP的，所以多年来最难的大作业都是NLP相关的。近年来一直时虚假新闻检测，几年前还听说过语义识别和情感判断等问题。期末封顶100分.截止时间12月底。
对于期末总体成绩的影响，有两点要注意，一是课上的练习，追求高分平时可以练一练。二是大作业，推荐做最难的NLP内容。首先是最简单的难度几乎无法让人得到锻炼，中等难度一样如此。最关键的特征工程的一步，因为已经处理好了数据集而失去锻炼的机会，直接调模型没有任何意义，有的人算上画图的代码才80多行。有兴趣可以看一看Kaggle上泰坦尼克号（很多匿名特征）和房价预测（75个自变量）的数据集，和课上提供的数据集有很大不同。至少NLP的题，还是可以让你好好锻炼的。比如怎么把TITLE转换成词向量，是用别人的词向量库还是自己在LSTM里加embedding层等等。(关于词向量库，如果有人要使用的话，直接在github搜索即可)。
陈晨老师说，大作业评分与ACC、RECALL or MAE、MSE等评价指标没有必然联系（因为只要方法正确结果就差不了太多）。但是，应该还是会参考模型的最终效果进行给分的微调！如果追求高指标，推荐使用神经网络的方法。NLP问题学界和业界都是深度学习方法。中等难度同理。最后，别学术造假，别用测试集训练模型！！！
这个课给分前几年非常高，但是今年可能有些压分，只要做了NLP的大作业90+不难，追求95+的同学还是要努力的。
23fall
任课老师：
陈晨老师
上课感受：
在陈老师课上压力还是略微有些大的，上课需要签到，并且经常随机点名回答问题（正确与否不会影响得分，大可以直接说自己不知道。老师说过随机提问的目的就是确认你没有中途跑路）。同时，上课会有随堂练习，每题限时十分钟并且需要当堂提交，部分题目难度略大，有些题目是全英文。截止提交之后老师会进行讲解，讲得非常不错，同一个题目会有多种解题方法，老师都会当场把代码打出来。老师讲题的时候建议认真听，不然就会像我一样至今仍然只会写c style code（笑
课程的名称是python语言程序设计，但正如老师说过的那样，这门课其实是python语言+机器学习+深度学习+自然语言处理，相当于把四门课的内容都涉及了。其中python的语法规则是上课的重点，至于机器学习、自然语言处理相关的内容，更多的是在完成大作业的过程中自学。
需要注意的是，课堂上学习的内容与大作业基本无关，上课的内容完全无法支撑你完成大作业，大作业的完成也完全不依赖课上的内容。当然，这一点老师在学期初就会提醒大家。在完成大作业的过程中，遇到问题建议先自行解决，老师人也很好，会欢迎你去找他问问题。
老师上课的风格挺不错，有些幽默，讲解也很到位，可以多和老师交流。
给分相关：
陈老师给分很好，虽然比隔壁班事稍微多一点，上课压力大一点，但是我本人95+，我身边大作业认真完成的也基本都是90+。隔壁班的给分则让不少人大跌眼镜，90+的比例显著低于陈老师教的班。不过有学长说隔壁王老师以前给分略微好一点，所以给分好坏方面，包括23fall在内的往届经验仅供参考。
成绩组成：
1.上课考勤（10分）：不解释，不逃课这个分就稳拿。
2.课上限时习题（单项具体占比不明）：疑似是陈老师这个班的特色，一共十次左右，具体占比不明。虽然上课十分钟的限时练习题令人压力山大，但上课没做完课后可以雨课堂补交（不过补交只能拿60分），哪怕错过雨课堂ddl期末也会有统一补交。**需要注意的是，哪怕课上提交了，雨课堂也必须再提交一次，不然算零分。**这一项的分数不必太患得患失，好好学习，尽力即可。不要错过补交ddl，毕竟期末统一补交并不一定每年都有。
3.课后作业（单项具体占比不明）：课后一周内完成，不难，一般是使用numpy或pandas对数据进行最基本的处理。布置这几项作业的时候绝大多数人其实已经自学完这些内容了hhh（做大作业需要用到）
课上习题和课后作业一共占总成绩的35分，与考勤一并构成平时成绩，占总成绩的45分
4.大作业（55分）：分为三个难度，simple（最高30分/55分）、intermediate（最高40分/55分）、challenging（最高55分/55分，也就是满分）。
大作业的评价分为几个部分（仅针对challenging）：
（1）project（35分/55分）：包括模型准确率得分（5分）、得分排名（5分）、模型复杂度、大作业报告、讲解视频。
（2）大作业答辩（20分/55分）：9分钟内讲解你的大作业，然后5到10分钟由助教提问。全程录音录像。
大作业相关：
1.强烈建议选择challenging难度（因为challenging难度的大作业，独立完成的话，从开始构思到能够交差最低只需要两小时），没有必要人为地把这门课的满分变成80分。
2.challenging难度大作业介绍：
微信公众号谣言检测。给你一个测试集和一个训练集，以csv格式给出，需要构建一个模型，能够根据微信公众号文章的标题等信息，对测试集里面的数据进行预测。预测结果按照规定格式输出，提交到datacastle平台，平台评价指标为auc。
大作业完成并不难，丰俭由人。个人经验：
预测效果：BERT > LSTM ≈ RNN ≈ BP神经网络 ≈ 手写贝叶斯 > SVM ≈ 随机森林
从零开始查阅资料并独立完成（能够正常输出结果）所需的时间（不包括配环境与调参）：基于huggingface预训练模型的BERT（三天）> 基于keras库的LSTM RNN textCNN（两天）> 基于sklearn库的svm 随机森林 BP神经网络（一天）> 手写贝叶斯模型（查资料一小时，敲代码一小时）
当然，弄懂这些模型的基本原理，需要耗费更多的时间；每一个模型在基本完成之后也需要微调，如果想获得更好的分数，可能要微调很长时间。建议在大作业发布当天（距离截止日期两个月）就动工，这样的话留给后面修修补补或者走弯路、犯错误的余地会更大。
大作业虽然绝大部分所需知识需要自学，但对以后的科研和竞赛是非常有用的。强烈建议认真独立完成。
23fall
任课老师：wk
得分情况：分差较大，很不推荐
看到今年几乎没人选wk甚是欣慰
wk平时作业几乎没有，基本只看大作业
大作业是梯度选题，一般会选择两个：模型优化和模型迁移。但是对于这两个方向的任务，老师基本不会上课讲这方面的知识，想要知道具体做法和调研方向需要不断追问，期末得分没有标准，相当主观，因此在23fall凡是做优化的没有高于90的，凡是做迁移的没有低于90的(也有一些95+，给分相当好)
一个学期下来给人的感觉是很轻松的就水到了2.5学分，但是得分也很水
