00:00:00
《深度学习》全校公选课学习兴趣与需求调查问卷
录音中...
亲爱的同学： 你好！为了确保本课程《深度学习》的教学内容与方式能最大程度契合大家的学习兴趣、专业背景和实际需求，特开展本次问卷调查。问卷采用匿名形式，其结果仅用于课程教学优化，请你根据真实情况填写。感谢你的支持与配合！
第一部分：基本信息与专业背景
*
1.
你的身份是
硕士研究生
博士研究生
*
2.
你所就读的学院或主要学科门类是
计算机/人工智能/软件工程
电子信息/自动化/通信
数学/统计/物理
机械/土木/化工/材料
经济/管理/金融
生物/医学/生命科学
人文/社科/设计
其他
*
3.
其他学院或学科门类
*
4.
你选修这门课程的主要目的是
【请选择1
-
3项】
系统掌握深度学习理论，为后续科研打基础
学会用深度学习解决本专业的具体问题（如图像、文本、信号分析）
提升编程与工程实践能力，为找工作或实习做准备
对AI感兴趣，想了解前沿技术
完成学位学分要求
其他
*
5.
其他选修目的
第二部分：先修知识自我评估
*
6.
你对以下数学基础课程的掌握程度如何（1为完全不了解，5为非常熟练）
1
2
3
4
5
线性代数（矩阵、特征值、SVD）
线性代数（矩阵、特征值、SVD）
微积分（导数、梯度、链式法则）
微积分（导数、梯度、链式法则）
概率论与数理统计（分布、期望、贝叶斯）
概率论与数理统计（分布、期望、贝叶斯）
最优化方法（梯度下降、凸优化基础）
最优化方法（梯度下降、凸优化基础）
*
7.
你是否有Python编程经验
熟练使用并经常进行数据处理或建模
基本掌握语法，写过一些简单脚本
了解基础语法，但未独立完成过项目
几乎为零，但愿意学习
*
8.
你之前是否接触过机器学习或深度学习
系统学过机器学习课程，并完成过项目
自学过部分理论，跑过简单示例（如MNIST）
仅了解基本概念（如“监督学习”、“神经网络”）
完全没接触过
*
9.
你是否接触过大语言模型（LLM）相关技术
经常使用ChatGPT/DeepSeek等，并了解API调用
本地部署过开源模型（如Llama、Qwen）或使用过微调框架
仅听说过，没有实际用过
完全没接触过
第三部分：学习兴趣与方向偏好
*
10.
你对深度学习以下哪些模型架构最感兴趣
【请选择1
-
4项】
多层感知机（MLP）/ 全连接网络
卷积神经网络（CNN）——图像、视频处理
循环神经网络（RNN）/ LSTM——序列数据、时间序列
Transformer / 注意力机制——大模型基础
大语言模型基础架构（仅解码器Transformer、MoE）
生成对抗网络（GAN）——图像生成、风格迁移
自编码器（AE）/ 变分自编码器（VAE）——表示学习、生成
扩散模型（Diffusion Models）——最新图像生成
图神经网络（GNN）
其他
*
11.
其他感兴趣的模型架构
*
12.
你希望课程重点涵盖哪些应用领域
【请选择1
-
4项】
计算机视觉（图像分类、目标检测、分割）
自然语言处理（文本分类、机器翻译、问答）
语音识别与合成
推荐系统（协同过滤、CTR预测）
强化学习（游戏AI、机器人控制）
医疗影像分析（CT、MRI诊断）
科学计算与物理仿真（PINN等）
多模态学习（图文音联合理解）
大语言模型（LLM）原理与应用（预训练、指令微调、RLHF）
检索增强生成（RAG）与智能体（Agent）
其他
*
13.
其他希望涵盖的应用领域
*
14.
关于大语言模型（LLM），你希望课程具体讲解哪些技术点
【多选题】
提示工程（Prompt Engineering）与思维链（CoT）
高效微调技术（LoRA, QLoRA, P-tuning等）
检索增强生成（RAG）的流程与实现
大模型智能体（Agent）设计（工具调用、规划、记忆）
大模型评估与对齐（RLHF, DPO）
模型量化与推理加速（vLLM, TensorRT-LLM, 4-bit量化）
本地部署开源模型（Ollama, llama.cpp, Transformers）
大模型的安全与伦理（越狱攻击、幻觉、偏见）
其他
*
15.
其他希望讲解的大语言模型技术点
*
16.
你希望课程介绍哪些大模型相关工具与框架
【多选题】
Hugging Face (Transformers, Datasets, PEFT)
LangChain / LlamaIndex（RAG与Agent编排）
vLLM / TGI（高性能推理）
DeepSpeed / FSDP（分布式训练）
轻量级部署框架（Ollama, llama.cpp）
模型微调工具（Axolotl, Unsloth, Swift）
其他
*
17.
其他希望介绍的大模型相关工具与框架
*
18.
在课程项目中，你更倾向于
给定明确任务（如手写数字识别、情感分析），重点调参和优化
半开放式命题（给定大方向，自选数据集和问题）
完全开放式创新，可以使用自己课题中的数据
小组合作（3-4人）完成一个较复杂的系统（如简单的目标检测App）
个人独立完成代码实现，夯实基础
第四部分：课程形式与资源期待
*
19.
对于理论教学与实践环节，你希望的比例是
理论30% / 实践70% —— 动手为主
理论50% / 实践50% —— 均衡
理论70% / 实践30% —— 理论推导为主
以项目驱动，需要时补充理论
*
20.
你希望课程作业/项目采用以下哪些工具或框架
【多选题】
PyTorch（首选）
TensorFlow / Keras
PaddlePaddle / MindSpore（国产框架）
JAX
不限制，自由选择
希望包含从零实现基础算法（仅用NumPy）
*
21.
你最希望老师在课上讲解哪些前沿或专题内容
【多选题】
大模型（LLM）的高效微调技术（LoRA, P-tuning等）
模型可解释性（SHAP, LIME, 注意力可视化）
模型轻量化（剪枝、量化、知识蒸馏）
自动机器学习（AutoML）与超参数优化
分布式训练与多卡并行
基于深度学习的科学新范式（AI for Science）
生成式AI的伦理问题（Deepfake、版权、偏见）
其他
*
22.
其他希望讲解的前沿或专题内容
*
23.
你在学习深度学习时，最担心遇到的困难是什么
【多选题】
数学理论基础薄弱，看不懂公式推导
代码调试困难，模型不收敛找不到原因
本地电脑没有GPU，算力资源不足
课程节奏太快，跟不上
缺乏高质量、对齐本专业的案例数据
其他
*
24.
其他担心遇到的困难
第五部分：开放建议
*
25.
你是否已经有具体的大模型应用场景或想法（例如：学术论文润色、法律文书抽取、代码生成、领域知识问答等）？如果有，请简要描述
*
26.
你是否有特定的、与你研究方向相关的数据或问题，希望在这门课中尝试用深度学习解决？如果有，请简要描述（例如：处理地震波形时序数据、识别遥感图像中的建筑物、分析学生行为日志等）
*
27.
关于这门课程，你还有哪些具体的建议或期待（例如：希望邀请业界专家讲座、组织Kaggle竞赛实战、提供课后Office Hour答疑等）
评价对象得分
字体大小
《深度学习》全校公选课学习兴趣与需求调查问卷
复制
