《深度学习》全校公选课学习兴趣与需求调查问卷

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

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）

线性代数（矩阵、特征值、SVD）

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）

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

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

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

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

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

PyTorch（首选）TensorFlow / KerasPaddlePaddle / 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

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

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）

更多问卷复制此问卷