大三
寒假结束，从太原出发，动车跨过黄河、秦岭，回到阴雨连绵的成都。去桐梓林修电脑（主板总算答应换了），和朋友游泳，在学校里像旅游一样闲逛。玉林路整条街都是火锅店和酒吧，在太原很少见到。
这学期专业课密集：计组、操作系统、数据库、计网、密码学——“老九门”一口气学一半，天天早八。雅思首考达分，周一六点五十就醒了，很精神。
算法设计 - 左老师（计算机学院）
去年暑假算法集训是左老师带队的，所以特地来旁听。
老师强调：这门课学的是经典算法思想（递归、分治、动态规划等），不等于 AI 方向的算法工程师。但算法能力会成为未来的优势——它培养了不畏难的思维习惯。
学习方法：要有主观能动性不断思考，不是要求每个人成为 ACM 高手，而是让大家在往后继续走的时候能完成基础的东西。两种考察层次：一是写清楚程序解决基本问题，二是经典算法模型稍加修改。即使这样的难度也很少有人能完成，一定要多加练习。
关于大模型：**”大模型是个好东西，但千万不要依赖。如果想成为高手，三角形的上升阶梯是没有电梯的，有些东西无法跳过，跳过了后面就没法继续。把宏观拆成细节的能力，人和 AI 是不同的。”**
时间复杂度的三层简化：
- $T_{AC}(I)$：考虑具体硬件的时间花费（通常不用）
- $T_A(I)$：只考虑算法，以操作次数为自变量
- $O(n)$：渐进时间复杂度，保留最高次项，是我们最常用的渐进上界。更精确的还有 $\Theta(n)$ 表示准确复杂度。
为什么更多用 $O(n)$？因为通常更关注上界。除此之外还有算法剖析——在复杂度合格的情况下做更精确的分析。
职业规划 - 董老师（软件学院）
老师调研了听课同学组成（99% 大二），后几节会请大厂 HR 和企业开放日。
“通过这门课，除了个人认知，还包括对周遭环境的认识——学校学院能给我什么培养，我需要发展什么能力——从而形成对社会、行业的认识。”
考研的现实：我们将面临一场不太公平的竞争——用 6 个月去拼别人三年的刷题。考研难在自行时间规划、自主稳定的学习输入、状态调整与情绪控制。
选择读研收获最大的是哪类人？工作后考研的人，内生动力最强，综合实力远高于应届生，他们更清楚为什么要读研。
老师提到柔性竞争力：一个管理岗位要博士学历，学的具体知识用不到，但具备的思维模式与学习能力是能力，也是深造的意义。
操作系统 - 左老师（计算机学院）
“我是老四川大学人了，在川大二十多个年头了。我想把这门课讲得更广泛一点。”
不是所有人都去从事系统开发，但学原理是为了在应用和开发中做得更好——这才是重点。就像顶级赛车手要系统学习内燃机和车机系统，不是简单地让车跑起来。
关于课程特点：算法设计课特点鲜明——刷题；而这门课实践性强、涉及面广、错综复杂，可能需要几年才能对此产生深刻理解。
问及两位以前学生的回答：”没啥用，期末背背很好过。” vs “这是本科期间对我影响最深远的课程。”
具体内容：中断、系统调用、双模态陷阱，结合汇编语言和计组知识，非常通透。理解了为什么空指针会导致 RuntimeError——这是一次特殊的中断（陷阱），此时程序被操作系统接管，报错并杀死进程。操作系统利用 CPU 的特权态与非特权态高效安全地管理一切。
推荐教材：《Operation System Concepts》 by Siberschatz。
进化计算 - 孙老师（计算机学院）
这门课又称智能计算_01（智能计算_02 就是神经网络）。涉及：文献检索方法、传统进化计算与遗传计算、TSP 问题、单/多目标优化、神经网络架构搜索。
课程内容与已学知识紧密联系：离散数学中的 CPP（中国邮递员问题）关注路线优化，TSP 关注运输成本——这是典型的 NP-hard 问题，小规模用动态规划，启发式算法就是遗传算法。神经网络隐藏层设计至今都靠手动，进化计算可以自动化这个过程。
老师分享了他十五年的研究历程：2012 无监督学习/神经网络 → 2014 系统学习进化计算 → 2015-2017 用进化计算优化神经网络结构 → 2018-2019 计算机搜索 → 2020-2022 沉淀整理出版 → 2022-2025 应用层面（华西口腔大模型）。
计算智能的定义：一类受自然启发的算法方法，解决复杂问题用数学或传统方法解决不好。三大分类：机器学习（神经网络）、进化计算、模糊逻辑。老师还详细讲了 IEEE 的各种刊物和会议、如何读论文、关注学术动态——非常开拓眼界。鼓励多看期刊文章而非会议文章（会议文章太精炼，不好懂）。
课后还向老师请教了华西口腔大模型的多模态技术。老师说多模态对本科来说并不难，近年有不少本科生在多模态上出了成果。
计算机网络 - 王老师（网院）
老熟人。老师有深厚海外留学经历，侧重双语教学。用一段渗透测试短片引起兴趣，教材选用《计算机网络——自顶向下》，推荐谢希仁《计算机网络》（自底向上）。上课不许看手机，不许旷课。覆盖面极广：从网络工程到渗透测试到网络编程开发。有时觉得这应该放大一上作为入门课。
数据挖掘导引 - 段老师（计算机学院）
从孔子讲学切入，分析记录信息方法的变迁，深入浅出。**”学生听老师言传身教，在大脑中形成新的知识体系框架，就是我们人脑的预训练。”**——直接让同学们理解了”预训练”这个名词。
AI 三要素：数据、算法、算力。算力决定 AI 的下界，算法决定解决问题的广度，数据决定 AI 的上界。DeepSeek 的 671B：B 是 billion，指参数量是一个 6710 亿行列的矩阵（张量）。
科学第四范式由数据驱动。数据挖掘（KDD）定义为从大量数据中提取有用模式/知识。
“现在各个专业的同学都在做数据分析，用的也是相同的方法。那我们去合作能干什么？看家本领是什么？答：定制化、灵活地解决问题——根据问题确定方法，甚至开发工具。这就要求编程能力尤其重要。”
最优化理论 - 计算机学院
众里寻他千百度，这门课就是一直想找的那门课。计算机学院大二必修，3 学分。
机器学习 = 目标表示 + 下游任务 + 优化。本课程聚焦前两者。最优化问题是一类研究如何对有限资源进行有效分配和控制并达到最优的问题，优化又称规划——动态规划就属于此类。教材：《最优化、建模、算法与理论》。
为什么 MSE、交叉熵损失函数要这么选？为什么要加正则化项？这门课揭示了深厚的数学背景。代价是涵盖微积分、线性代数、抽象代数、离散数学、概率统计。正则化项的原因：所谓”过拟合”在数学上是多重共线性——奇异矩阵的逆不好求，正定矩阵就好了。添加一项得到正定矩阵，就解决了问题。
“给大家讲这些不是要求掌握这些数学方法，而是让大家了解算法是怎样实际运行的。”
计算机组成和体系结构 - 李老师（网院）
晚上上的课，当时没留什么笔记，印象中没什么人在听，老师讲得比较中规中矩。
数据库系统及安全 - 龚老师（网院）
大一讲过《计算机文化》中的一节课。当时那门课安排混乱，但龚老师非常认真，为了把内容讲到还追着开网课讲。语速较快，很细致，有一种高中生物老师的感觉——急切着想把你教会。
应用密码学 - 兰老师（网院）
上课地点改到网安楼没通知，前轮还爆胎了，骑共享单车迟到。兰老师精干利落，说话清晰有逻辑。PPT 比较复古，应该是建院初期沿用至今。推荐《An Introduction to Mathematical Cryptography》——承接已学的数学知识，清晰介绍整个密码学框架，虽全英但确实好。
数据可视化 - 朱老师（计算机学院）
数据可视化需求很多：数学建模时分析数据分布，机器学习时比较算法效果，大挑申报书分析行业走势等等。
属于数据科学，是智能科学与技术方向的必修课。人 80% 的信息来自视觉，利用人眼感知能力对数据交互就是数据可视化。**”这个科目不仅是前沿的，而且是基础性的。”** 不是理论知识，而是设计与实现方法。
朱敏教授从 2017 年开授，主讲团队包括研究生团队及外院教授。教材：《大数据可视化》《可视化导论》。每隔段时间有研究生进行技术指导。
最深刻的收获：问辩能力（内容不太充实时如何应对提问？）：
- 关注问题背后的机制
- 扩大范围
- 引”偏”——要辩回去
举例：问”有竞赛获奖或项目吗？”→ 答”老师您是在询问我的动手能力吗？我认为动手实践能力包括课内落实和工程能力……”——既避开缺少的经历，又借此描述了擅长方向。这种核心能力，狠狠学到了。
一周下来，跑到别的学院上课参观了一次。最大的感受：知识千变万化，必须具备的是解决实际问题的能力和思考的能力。无论在大学读研还是社会大学工作。