西浦Y4选课指南

写在前面：ICS Y4的选课是十选六（每门5学分），除此之外还有贯穿整年的FYP（10学分）。与前三年不同的是，Y4分数的重要程度因人而异。对于申请美研的同学来说，Y4能毕业就行，可以适当划水；也有相当一部分同学大四为了达con、gap申请等等刷分。

对于要DIY申请/考语言/科研实习的同学来说，大四会非常忙，合理规划选课可以在省去一些workload的同时拿高分。大四刷分相对来说容易，ICS的一等学位也蛮多的。FYP给分大多在60-70之间，其他课考高一些也问题不大。

总的来说，建议大家根据个人兴趣和未来发展方向去选课，在此基础上适当参考课程难度和给分，毕竟不感兴趣的内容学起来很痛苦。

以下均为笔者（19级）参考自身以及身边同学的经验总结得出，仅供参考，课程难度和内容可能随年份变动，欢迎补充修改。

Y4-S1

INT301 Bio-Computation

难度：★★★★☆ (4/5)

课程收获: ★★★☆☆ (3.5/5)

1. 课程概述

教师： Dr. Rui Yang

这门课主要在讲人工神经网络（ANN）的概念以及在监督学习/非监督学习上的应用，例如perceptron，MLP，CNN等。这门课会和生信以及CST的同学一起上，内容和INT303、INT305稍微重合，笔者认为这门课相对硬核。老师会从最基本的什么是learning什么是label教起，比较友好，也会讲一些contemporary topics，但课程内容较多，期末抱佛脚会很辛苦。

往届均分：18级均分61，中位数61，比另外两门INT（均分70+）低一些。这门课高分可以很高，好好学可以85+甚至90+（参照INT202）。19级的分数还未出，出了之后会继续补充。

整体建议：总的来说，建议对ml和算法感兴趣的同学选，这门课的理论知识可以帮助你打好基础，不建议大四想轻松划过又同时想刷分拿一等的同学选，按照往年数据来看，低分飘过的同学比较多。

推荐指数：★★★☆☆ (3/5)

2. 课程组成

授课方式：lecture+tutorial+lab

lec主要讲概念，也有计算内容，但没有特别难，对着公式和算法一步一步算即可。只有两个ttl，讲一些计算题，其余时间的ttl讲的是lec的内容。lab会给完整的MATLAB代码，run一run代码，大概了解意思即可，不会考写代码。

Assessments：两个15% in-class test + 70% final exam

19级的in-class是到线下教室完成LM上的quiz，5分钟10道填空题，第二个in-class会考到MATLAB相关的题。每个人的题都不太一样，但都是概念填空（ppt原句/代码注释原句）或者非常简单的计算，ctrl+f足够。这30分约等于送分，满分的人很多。

期末考试是2h的半开卷，可以带一张A4纸的cheat sheet（可打印可手写），题量适中，计算题大约占一半，剩下的是开放性的设计题/解释题。lab占比很小（5分MATLAB题，给代码写注释）。老师出题比较灵活，不爱出原题，建议好好复习，多做past paper，保证不要算错。

Ps：连续两年考了手算back propagation，连续三年的最后一题都是20分的开放性概念解释题，都差不多，写好答案在cheat sheet上带进去基本等于白给。

3. 期末佛脚指南

这门课好好学ppt内容，上课认真听，ttl会写就足够了，past paper重中之重。Rui Yang老师的课程质量还是很高的，笔者觉得他是ics教学最好的老师之一。这门课考试基本上也是原创题，国外大学的开源课程中貌似没有内容100%重合的课，去狂学别的课程价值不是很大。如果有学不懂的地方，哪里不会google哪里。

INT303 Big Data Analytics

难度：★★☆☆☆ (2/5)

课程收获: ★★☆☆☆ (2/5)

1. 课程概述

教师： Dr. Jia Wang, Dr. Pengfei Fan

这门课主要介绍数据科学相关的概念和应用，课程涵盖内容很广，data collection, exploration, modelling, analytics, visualization等等都有涉及，但不太深，很多地方都是点到即止。也有讲（复习）一些最基本的机器学习算法，对有基础的同学来说很简单。总的来讲topic挺有意思的，lab和assignment写的代码基础但是实用，ds也是现在的大热门学科，这门课会告诉你如何be a good storyteller。缺点是这门课体验感不是很好（个人感受），老师口语不是很好，assignment要求变来变去...复习课还教了一些前面没提到的新东西。

往届均分：18级均分67，中位数69。19级的分数还未出，出了之后会继续补充。

整体建议：选！一定要选！又轻松又考原题谁不爱呢。这门课几乎人人必选，大概是十门里面最简单的。

推荐指数：★★★★☆ (4.5/5)

2. 课程组成

授课方式：lecture+lab

这门课偏实践。前半学期lecture讲概念（也会讲python语法，考试也会考），后半学期讲比较实际的应用和算法。课程内容参考了Stanford的CS246。lab从教你安装jupyter开始，对零基础非常友好，参考了Harvard的CS109。

Assessments：15% data scraping + 15% data competition + 70% final exam

Assignments很有意思，分别是写爬虫和参加一个内部的kaggle，自己写会比较考验代码能力，但这些都可以在github和kaggle上找到（懂得都懂），都比较实际而且有趣，是以后从事ds方面工作的必备技能。

期末考试是2h的闭卷，题量适中，不太难，同样有计算题以及开放性的设计题/解释题。会有一题lab内容，考最基本的pandas和numpy语法，其余全是ppt/课本/别的学校试卷的原题。计算题都很简单，都是之前讲过演示过的，一定不能丢分。

3. 期末佛脚指南

如前所述，question-oriented learning and solution-oriented learning。 第一节课老师就说考试会考ppt上的原题，甚至贴心到把ppt的题目都给标了“Questions”，考前的复习课会把所有考点和题目都讲一遍，不乏考试原题，背一遍标准过程和答案基本等于白给（谢谢老师）。从18级这门课换老师开始，这两年的期末都有大量参考Stanford CS246的期末卷子（2013和2019的），ppt questions也基本上是参考的国外大学其他开源课程，甚至用的是原题的截图，建议善用搜索引擎。

押题小tips：如果你复习完了想找题目做，建议google老师参考题目和课本的那几门课，做做附近几年考点范围内类似past paper和sample questions的题目，考试的时候你会发现惊喜 -- 最后拿来考试的题一个字也没改。笔者看到期末卷子的那一刻差点笑死（还好戴口罩了）。

INT305 Machine Learning

难度：★★★☆☆ (3/5)

课程收获: ★★★☆☆ (3/5)

1. 课程概述

教师： Dr. Jimin Xiao

这门课主要讲机器学习理论和算法，从最基础的分类和回归问题、损失和激活函数讲到概率模型，讲得很细，适合以后想走ml方向的同学巩固基础。这门课老师很强调数学推导，这也是考试的重点。这门课内容比INT303难一些，也小小重合了一部分，深入理解需要一些微积分线代以及概率统计的知识，但最后考试也考原题，所以功利点来说难不难没差，收获看个人。老师是做cv的，科研水平很高。

往届均分：18级均分73，中位数76，是大四上学期均分最高的（因为又开卷又出原题）。19级的分数还未出，出了之后会继续补充。

整体建议：选！非常适合懂一些ml基础并且想划水的同学，可以放心大胆划。没啥基础的同学也不用慌，老师上课会告诉你，有些地方听不懂也没事，因为不会考（乐）。

推荐指数：★★★★☆ (4/5)

2. 课程组成

授课方式：lecture+lab

lec讲的就是机器学习最基础的那些，网上有一大堆，如果ppt里面有什么地方不懂的话可以参考Stanford的CS230 CS231和Toronto的CSC311 CSC411，那些课的讲义更仔细而且有很多题目。印象里只有一节lab，讲的是assignment2要怎么写。

Assessments：两个15% assignment + 70% final exam

Assignments很中规中矩。第一个是手推逻辑回归和softmax多分类的gradient以及比较svm loss和softmax loss，课件和网上都有，建议用latex写，分比较高。第二个是用cnn跑mnist，baseline都给了调参就行，只需要写一点点代码，以及找一些sota的网络结构来提高accuracy（打开paperwithcode搜论文和代码然后paraphrase）。Assignments的评分很看report格式，身边同学普遍80+或90+。

期末考试是3h的开卷（健忘症狂喜），题量不大，很多人1h出头就交卷了。考试只考前十周的内容，同样也考原题，只要打印足够多的材料就能高分。这也是为什么305比303难，分却比303高。全卷只有一道非常简单的cnn计算题是原创，其余都是原题，甚至两年考了一样的题目，变成了大型抄书现场。对数学的要求：会加减乘除，会求导。最难的那一道概率模型题是原题so你不需要很懂，不要抄错就好。

3. 期末佛脚指南

一样地，question-oriented learning and solution-oriented learning。 这门课甚至不用背题，因为是开卷。也不用怕时间不够，本身题量就少，翻翻资料再抄抄答案用不了多久。这两年的期末都有大量参考Toronto CSC311 CSC411的期末卷子以及平时习题，都打印下来就没错。如果你实在没时间复习的话，把你能打印的东西都打印出来，考试的时候慢慢找，来得及。

以下是笔者带进考场的资料，仅供参考：lecture ppt，第一个assigment的答案（gradient的推导），past paper的答案，chain rule以及各种求导的cheat sheet，cnn计算公式cheat sheet，各种国外大学课程的试卷以及习题。

押题小tips：同INT303，如果你复习完了想找题目做，建议google老师参考题目和课本的那几门课，做做附近几年考点范围内类似past paper和sample questions的题目，考试的时候你会发现惊喜 -- 最后拿来考试的题一个字也没改。笔者考303的时候已经笑过一回了，看到原题也不太意外，毕竟是大四，只要不是交白卷老师就不会挂你。