机器学习

选课速读： COMP7703《机器学习》是 昆士兰大学 的公开课程页面。当前可确认的信息包括 2 学分，难度 超难，公开通过率 60%。 页面已整理 13 周教学安排，4 个重点考核，方便你快速判断工作量、考核结构和适配度。 课程简介摘要：Machine learning is a branch of artificial intelligence concerned with。

Machine learning is a branch of artificial intelligence concerned with the development and application of adaptive algorithms that use example data or previous experience to solve a given problem. This course covers the theory and practice of machine learning, including conceptual, computational, mathematical and statistical frameworks. Topics include: classification, regression, optimisation, neural networks, deep learning, unsupervised learning, semi-supervised learning, clustering, dimensionality reduction and generative models. The implementation of machine learning techniques, experimentation and practical application are a central theme of the course.

### 📊 课程难度与压力分析 COMP7703 是 UQ CS 研究生阶段公认最难的课程之一，难度为「超难」。三门高门槛先修课就已经筛掉了大部分基础不扎实的同学。课程前 3 周看似温和（EDA + 基础分类），但从 Week 4 Linear/Logistic Regression 开始数学推导密度急剧上升，Week 7 Neural Networks + Backpropagation 和 Week 9 SVM/Bayesian 是公认的两个「地狱周」。期末占 58% 且有 Hurdle（<50% 封顶 Grade 3），这意味着平时成绩再好，期末翻车就全盘皆输。期末 180 分钟闭卷，题量大且需要手推数学推导，时间压力极大。与 COMP7500 (Advanced Algorithms) 并列为 Master 阶段最具挑战性的课。 ### 🎯 备考重点与高分策略 期末考试核心考点（务必掌握）：① Backpropagation 手动推导（2-3 层网络的梯度计算，必考大题）；② PCA 步骤计算（中心化 → 协方差矩阵 → 特征值分解 → 选主成分）；③ Decision Tree 手动构建（Information Gain 计算）；④ Linear Regression Normal Equation 推导；⑤ SVM 的 Kernel Trick 原理和 Soft Margin 参数 C 的作用；⑥ Confusion Matrix → Precision / Recall / F1 计算；⑦ K-Means 收敛性和 Random Forest 工作原理；⑧ GMM 的 EM Algorithm E-step/M-step。HD 与 Pass 的差距在于数学推导的完整性和对算法本质的理解深度——高分答案不仅算对，还能解释为什么选择该方法以及适用条件。建议用三轮复习法：第一轮补概念，第二轮刷推导题，第三轮限时模拟。 ### 📚 学习建议与资源推荐 开课前务必复习 MATH7501 的线性代数（矩阵分解、特征值）和 STAT7203 的概率论（贝叶斯定理、高斯分布）。每周 Lecture 后当天就做 Lab，拖到周末会严重积压。推荐资源：① Andrew Ng 的 Machine Learning Specialization（Coursera，免费旁听，对 Backprop 和 SVM 的直觉解释极好）；② Bishop 的 Pattern Recognition and Machine Learning（参考书，Bayesian 部分讲得最好）；③ scikit-learn 官方文档的 User Guide（每个算法都有直觉解释 + 代码示例）；④ 3Blue1Brown 的 Neural Networks 系列（可视化理解反向传播）。学习误区：只看代码不推数学——期末是闭卷手写，光会调 sklearn API 拿不到分。 ### ⚠️ 作业与 Lab 避坑指南 Assignment 是 Written Report（24%），最常见扣分点：① 实验设计不严谨（没用 Cross-Validation 而是随机 split 一次）；② 结果分析太浅（只贴数字不解释为什么某模型表现更好）；③ 缺少 Baseline 对比（至少要有一个简单模型作为参照）；④ 代码不可复现（路径写死、随机种子没固定）。建议 Week 6 开始动手，Week 8 完成初稿，留 2 周打磨。Practical Demo 需要对 Lab 内容非常熟悉，助教会追问细节，不是只展示结果就行。 ### 💬 过来人经验分享 「Week 7 Backpropagation 手推是我整个学期最崩溃的一周，看 Lecture 觉得懂了，自己推就一团乱。后来我把 Andrew Ng 的视频看了三遍，一边看一边在纸上推，终于通了。期末那道 Backprop 大题我拿了满分。」「Assignment 我最后悔的是开始太晚，Week 9 才动手，结果跟 SVM 那周的内容撞车，两头都没做好。建议 Week 5 就开始选数据集和跑 baseline。」「给新同学一句忠告：这门课的期末 Hurdle 是真的——我认识的人里有平时成绩 HD 但期末没过 50% 被封 Grade 3 的。一定要花至少 2 周专门复习期末。」