新南威尔士大学MATH5836 final解析

　　考试形式与编程题趋势

　　根据往年情况，考试中通常会出现编程相关内容。尽管上学期因机考形式取消了手写代码，但仍以选择题或简答题的方式要求理解代码逻辑。本学期预计将延续往年授课教师的风格，可能出现伪代码或书写类题目，具体是否完全取消手写内容仍需以教学团队通知为准。

　　Quiz 与简答题要求

　　Quiz 部分约为 15 道题，即便遇到不会的题目也应保证作答。教学内容通常会覆盖往年相关题目，并补充其他来源的题目进行讲解。简答题与 Quiz 权重相同，但评分更侧重关键点的完整呈现，因此需要在有限时间内做到“信息完整但不冗长”。

　　本学期课程结构回顾

　　本课程以机器学习为核心，内容按照由浅入深的顺序展开，包括：

　　基础模型：Linear Regression、Logistic Regression

　　神经网络：基础 Neural Network、Advanced Neural Network、Bayesian Neural Network

　　Ensemble 方法：Boosting、Bagging、Stacking、Random Forest

　　Unsupervised Learning：Clustering、PCA 及其他

　　深度学习扩展：CNN、RNN 等结构(占比不高)

　　AI 治理：常出现于选择题，更偏向常识性理解

　　复习时宜从基础概念入手，再逐步推进至对应题型与代码实践部分。

　　考试时间与作答策略

　　期末考试时长为两小时，时间较为紧凑。答题策略上，应避免在单题上停留过久，以确保后续题型的完成度。总体而言，今年整体难度与往年一致，不会因形式变化而影响主要考点。

　　上学期考试事故回顾(供理解题型变化)

　　上一学期因更换为机考，出现机房技术问题、考生无法准时进入考场等情况，导致大量学生需申请补考。出题也因教师更换而出现偏难、偏异常的情况。该情况已在本学期恢复正常，不再影响当前结构。

　　第一节课重点：Data Mining 与 Machine Learning 区分

　　课程复习从 Linear Regression 之前的基础概念开始，包括：

　　1. Data Mining

　　面向海量数据挖掘结构、规律和隐藏关系

　　核心在于“挖掘”而非模型选择

　　类似从庞大数据库中提取信息

　　2. Machine Learning

　　人工智能的重要分支

　　通过数据训练模型，实现自动预测与分类

　　强调模型自动改进

　　包含回归、分类、聚类等任务

　　二者的差别可从定义与目标直接说明，常作为考题出现。

　　机器学习的主要分类

　　监督学习(Supervised Learning)

　　含标签，学习输入与输出的映射关系，应用于疾病诊断、图像识别、价格预测等。

　　无监督学习(Unsupervised Learning)

　　无标签，自动发现数据结构或模式，如 K-means、PCA、异常检测等。

　　强化学习(Reinforcement Learning)

　　基于奖惩机制，但课程涉及不多，了解即可。

　　完整的机器学习流程

　　标准流程包括：

　　数据处理

　　特征工程

　　模型选择

　　模型训练

　　模型评估

　　优化与部署

　　模型监控与维护

　　考试中常以选择题形式测试流程顺序是否正确。

　　数据预处理要点

　　数据预处理虽为基础内容，但属于高频考点，主要方法包括：

　　处理缺失值(删除或填补)

　　适用场景：缺失量较少时可删除行;缺失过多会影响结果客观性