诺丁汉 COMP3009《机器学习》：小组编程作品集 30%＋两小时机考 70%

诺丁汉 COMP3009 机器学习：从试错经验里自己长出规则的系统、到无监督找模式的系统——这门课教你学得对、也证明它对。

20 学分、本科 Level 3、计算机科学学院开设、秋季学期面授、模块负责人 Dr Xin Chen、属「人工智能、建模与优化」主题；考核为小组编程作品集 30% ＋ 两小时 ExamSys 现场机考 70%；补考为同型现场机考，作品集分不保留；与另一门同名模块 COMP4139 互斥。

COMP3009 是一门什么课？

一句话：学「从数据学规律」的整套方法——统计地基、模型家族、数据侧，外加一条贯穿全课的主线：怎么证明你真的学到了。

学校官网的内容说明（照实）：介绍机器学习、模式识别与数据挖掘技术（照实）；使你既考虑能从试错经验中发展自身规则以解题的系统，也考虑无监督地在数据中找模式的系统（照实）；主题涵盖机器学习基础、模式识别基础、人工神经网络、深度学习、机器学习应用、数据挖掘技术与假设评估（照实）。

内容是三层楼（分析）：统计地基（分析）——学习基础与假设评估，回答「为什么能学、怎么验证学到了」；模型家族（分析）——神经网络与深度学习，从感知机到深度网络；数据侧（分析）——数据挖掘与超大规模数据，无监督地找知识与模式（分析）。

「评估」是贯穿三层的一等公民（分析）它被单列为主题「假设评估」（照实）——这门课不只教怎么建模，更教怎么证明模型真的行（分析）——这个取向直接决定了它的考核：机考七成考原理与推导，不是编程（分析）。

第五条学习成果很少见（分析）：「以科学论文形式描述方法、评估过程与结果分析」（照实）——本科阶段就要求按论文格式写作业（分析）——摘要、方法、实验、结论，语气还要克制（分析）——这条直接服务毕业论文（分析）。

先修写得非常明确（分析）：高级编程能力（如 Matlab、Python）与数学能力（线性代数、微分、概率）（照实）——两条都要（分析）——这不是调包课（分析）——硬上会在第一周卡死（分析）。

和国内《机器学习》课有什么不同？

国内机器学习入门常以模型清单为主线（分析）——线性回归、决策树、SVM、神经网络各讲一章（分析）——考核多为课程项目或报告（分析）——这门课把「评估方法学」提到独立主题的高度（分析）——并且七成成绩在笔试（分析）——会调包不等于会考试（分析）。

第二处是论文式写作（分析）：学习成果要求按科学论文形式写方法、评估与结果（照实）——国内本科的技术写作训练通常是实验报告（分析）——格式与克制语气的差别不小（分析）。

第三处是双先修（分析）：编程与数学都是硬门槛（照实）——国内 ML 课有时为了容纳跨专业学生降低数学要求（分析）——这门课不降（分析）。

第四处是互斥条款（分析）：不可与 COMP4139 同修（照实）——防止重复学分（分析）——选课前必须核对自己的模块清单（分析）。

考核怎么算？

作品集练实操，机考收理论。

四处结构判断：

第一，七成考原理，不是编程。（分析）机考考推导与评估计算（分析）——会调包但推不出更新公式的人，这一半会失血（分析）——手推三大算法是必要的准备动作（分析）。

第二，作品集是小组制，贡献可见性决定成色。（分析）三成在团队作业（照实）——代码提交与分工记录是计分的实际依据（分析）——只做数据清洗的人，建模与写作的署名都没有（分析）。

第三，补考只剩理论。（分析）补考同型机考（照实）——作品集分完全不带入（分析）——理论内功是唯一的补考通路（分析）。

第四，两件互相喂养。（分析）做过一遍模型的人，机考的原理题顺带就过了（分析）——因为推导和代码是同一件事的两种写法（分析）——把作品集做实，等于提前复习机考（分析）。

先修要求是什么？

这门课把先修写得极明（分析）：高级编程能力（如 Matlab、Python）（照实）与数学能力（线性代数、微分、概率）（照实）；仅限计算机科学学院 Level 3 学生（照实）；不可与 COMP4139 同修（照实）。

• 官方门槛一：编程（分析）——Python 为主（分析）——实验与作品集都要写代码（分析）。
• 官方门槛二：数学（分析）——线代、微分、概率（分析）——它们不是背景，是算法推导的操作层（分析）。
• 互斥条款：与 COMP4139 二选一（照实）——选课前核对模块清单（分析）。

中国学生常见的两个错位（分析）：一是「数学够用」（分析）——概率与线代底子通常够，但用英语推导与表述是另一回事（分析）；二是「会调包就算会 ML」（分析）——这门课的机考不考调包（分析）。

要自查的三样：

• 一张术语卡：英文定义、公式、一句话直觉。
• 一份论文四段模板：引言、方法、实验、结论。
• 一份手推清单：线性回归、逻辑回归、简单网络。

学完能做什么？

学完你能讨论机器学习范式与算法的能力、优势与局限，能分析复杂真实问题并关联具体情境，能指认方法的能力与局限，能实现算法并应用、评估与选型，并能以科学论文形式描述方法与结果。

五条学习成果（照实）：讨论机器学习范式、学习系统与算法的能力、优势与局限（照实）；分析复杂真实观念与问题并关联具体情境（照实）；指认机器学习或模式识别方法的能力与局限（照实）；实现选定的机器学习操作含学习算法、应用于真实场景、评估可用模型与算法并为任务选出合适的（照实）；以科学论文形式描述方法、评估过程与结果分析（照实）。

五条可以归成两组（分析）：判断力（分析）——第一到第三条，都是「知道什么能用、什么时候不能用」；做出来并写清楚（分析）——第四、五条（分析）——两组正好对应考核的两件（分析）——机考考判断力与推导，作品集考做与写（分析）。

资源与书单照实（分析）：学校官网未列具体书目，材料以学校课程平台另置（照实）——机器学习的「教材」是数据与代码（分析）——每周实验跑通、改参数、看差异，胜过读综述（分析）。

直接能力（分析）：建模型与评模型的双份本事（分析）——加上把结果写成论文的表达力（分析）——这三样是数据科学岗位的入门组合（分析）。

去向层面（分析）：人工智能与数据方向（分析）——这门课是简历上「机器学习」的学术背书；数据挖掘与商业分析（分析）；读研深造（分析）——论文式写作是提前适应；任何需要「用数据说话」的岗位（分析）。

一条判断（分析）：这门课最耐用的资产是「评估直觉」（分析）——看到任何模型声称的效果，你都会先问：测试集干净吗、有没有数据泄漏、指标选对了吗（分析）——在一个到处是模型宣传的时代，这套怀疑是硬通货（分析）。

难点与常见挂因

数学与编程双门槛、七成在机考，坑集中在十处：数学显性化、评估方法学、过拟合直觉、黑箱张力、数学英语、库文档、小组协作、论文写作、实验节奏、机考推导。

十处里，前四处是机器学习本身的地基与判断，后六处是语言、协作与考核形态带来的坎；前者靠手推与评估工具箱解决，后者靠术语卡、模板与周节奏解决。

两类会互相放大：数学一虚，机考推导就空白；实验一积压，作品集就崩。

一、数学地基的显性化

机器学习不是调包课（分析）——线性代数、微分、概率直接出现在算法推导里（分析）——难点在「数学不是背景而是操作层」（分析）——每个算法都要问为什么这样更新参数（分析）。

为什么卡：只会调 API 不懂推导（分析）——原理题大面积失分（分析）——学校官网把数学列为先修，考核印证了这一点（分析）。

卡在哪：推不出梯度更新的那一步（分析）。

卡了会怎样：七成机考里失掉主阵地（分析）。

怎么补：三个核心算法各手推五遍（分析）——线性回归、逻辑回归、简单网络（分析）——白板推导零卡顿为准（分析）。

二、评估的方法学

准确率会说谎（分析）——不平衡数据、过拟合、数据泄漏（分析）——难点在掌握评估工具箱（分析）：交叉验证、测试集纪律、混淆矩阵族指标（分析）。

为什么卡：国内入门常重模型轻评估（分析）——而这里「评估假设」是独立主题（照实）。

卡了会怎样：作品集的评估段失分，机考的评估题也答不好（分析）。

怎么补：先定评估再谈模型（分析）——每份作业写一节评估设计（分析）——五个指标各配一个适用场景（分析）。

三、过拟合的直觉

训练好不等于泛化好（分析）——难点在偏差与方差权衡的操作性理解（分析）：什么时候该正则、什么时候该加数据（分析）。

为什么卡：「训练集准确率很高」的兴奋与测试集翻车的落差（分析）——每个初学者的必经之路（分析）——没有这层直觉，模型选择就是玄学（分析）。

卡了会怎样：模型选型全凭感觉（分析）。

怎么补：同一数据集做一次过拟合与一次正则的对照实验（分析）——画出训练与测试曲线的分叉（分析）——能解释分叉来源为准（分析）。

四、深度学习的黑箱张力

深度网络效果好但解释性弱（分析）——难点在与黑箱共处的工程判断（分析）：什么任务敢上深度模型、什么任务先用基线（分析）。

为什么卡：「深度学习解决一切」的迷信与「可解释性至上」的洁癖都是极端（分析）——第一条学习成果考的正是这种平衡（分析）。

卡了会怎样：论述题只会站一边（分析）。

怎么补：每个任务先写基线模型再谈深度（分析）——三个任务各写一段取舍理由（分析）。

五、机器学习的数学英语

gradient descent、overfitting、regularization 的定义链是英语数学表述（分析）——中国学生的机器学习词汇多来自中文课程与技术博客（分析）。

为什么卡：机考定义题英文表述不精确（分析）——国内机器学习课中文授课（分析）。

卡了会怎样：定义题直接失分（分析）。

怎么补：做二十五张术语卡（分析）——英文定义、公式、一句话直觉（分析）——即席中英互译为准（分析）。

六、Python 生态的英语文档

实操用 Python（照实）——库文档、报错信息、社区问答全英语（分析）——中国学生习惯中文技术社区（分析）。

为什么卡：读英文文档慢，调错靠翻译（分析）。

卡了会怎样：实验时间被查文档吃掉（分析）。

怎么补：精读两个主要库的官方文档各一篇（分析）——做二十个报错关键词表（分析）——两份文档能裸读为准（分析）。

七、小组编程作品集的协作

三成是小组编程作业集（照实）——分工涉及数据处理、建模、评估、写作（分析）——非母语协商难（分析）——中国学生易被动接活（分析）。

为什么卡：分工后只做数据清洗（分析）——失去建模与写作的署名（分析）。

卡了会怎样：个人贡献不可见（分析）。

怎么补：首次会认领轮换角色，每人至少一轮建模与写作（分析）——代码仓库贡献可见（分析）——三角色轮完为准（分析）。

八、科学论文式写作

第五条成果要求按科学论文形式写（照实）——摘要、方法、实验、结论（分析）——语气要克制（分析）——中国学生的英文技术写作多为博客体（分析）。

为什么卡：写成教程或心得（分析）——没有评估表、没有引用（分析）。

卡了会怎样：第五条成果不达标（分析）。

怎么补：用四段模板写（分析）——精读两篇样例论文（分析）——四段式成稿一份为准（分析）。

九、每周实验的节奏负荷

每周课堂与实验并行（分析）——调参耗时不可预估（分析）：跑一次模型可能要等很久（分析）——按「交前赶工」排程会崩（分析）。

为什么卡：实验积压两周后彻底跟不上（分析）——国内实验周期较长（分析）。

卡了会怎样：作品集崩盘（分析）。

怎么补：每周固定两个实验时段（分析）——当周跑通最小版本（分析）——连续六周零积压为准（分析）。

十、机考的原理复现

七成机考考原理与推导（分析）——纸上推导算法步骤与评估计算（分析）——中国学生实践强、笔试推导弱（分析）。

为什么卡：会调包但推不出更新公式（分析）——国内机器学习考核多报告少笔试（分析）。

卡了会怎样：主阵地失分（分析）。

怎么补：三大算法手推五遍并互讲（分析）——白板推导零卡顿为准（分析）。

常见挂科的六条链

数学虚→推导空白（分析）；评估重模型轻方法→评估题失分（分析）；无过拟合直觉→模型选择靠猜（分析）；术语英文不准→定义题丢分（分析）；小组只做清洗→三成不可见（分析）；实验积压→作品集崩（分析）——六条都有早期信号（分析）：推不出梯度更新、作业没有评估节、只看训练集准确率、定义题写不顺、两次会后没有自己的建模提交、连续两周实验未跑通（分析）——见到信号当周处理（分析）。

留学生特别提醒

中国学生最容易在六处吃亏：数学推导用英语写不出、评估方法学薄弱、术语英文不精确、库文档读得慢、小组里只做清洗、实验拖到积压。

• 三大核心算法各手推五遍，白板上讲一遍：机考主阵地。
• 每份作业先写评估设计再选模型：五个指标各配适用场景。
• 做二十五张术语卡，英文定义配公式与直觉：定义题不失分。
• 精读两个主要库的官方文档，做二十个报错关键词：实验提速。
• 首次小组会认领轮换角色，建模与写作都要碰：三成贡献可见。
• 每周固定两个实验时段，当周跑通最小版本：不积压。

怎么准备？

准备的关键是三条：数学先推、评估先立、实验先跑。

• 读学校官网的课程说明与五条成果：先认三层楼。
• 复习线代、微分、概率：官方明列的先修。
• 三大算法各手推五遍：推导有底。
• 建评估工具箱：交叉验证、混淆矩阵、指标选择：评估方法学先立。
• 精读两个库的官方文档：实操不卡在查文档。
• 建论文四段模板并读两篇样例：写作有式。
• 排每周两个实验时段：作品集不积压。
• 核对是否与 COMP4139 同修：互斥条款先查。

中英术语速查

• machine learning —— 机器学习。
• pattern recognition —— 模式识别。
• data mining —— 数据挖掘。
• supervised learning —— 监督学习。
• unsupervised learning —— 无监督学习。
• training set —— 训练集。
• test set —— 测试集。
• cross-validation —— 交叉验证。
• overfitting —— 过拟合。
• underfitting —— 欠拟合。
• bias-variance trade-off —— 偏差与方差权衡。
• regularization —— 正则化。
• gradient descent —— 梯度下降。
• loss function —— 损失函数。
• hyperparameter —— 超参数。
• confusion matrix —— 混淆矩阵。
• precision and recall —— 精确率与召回率。
• artificial neural network —— 人工神经网络。
• deep learning —— 深度学习。
• perceptron —— 感知机。
• backpropagation —— 反向传播。
• hypothesis evaluation —— 假设评估。
• generalisation —— 泛化。
• data leakage —— 数据泄漏。
• feature engineering —— 特征工程。
• baseline model —— 基线模型。
• interpretability —— 可解释性。
• big data —— 大数据。
• portfolio —— 作品集。
• scientific paper —— 科学论文。
• resit —— 补考。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://campus.nottingham.ac.uk/psc/csprd_pub/EMPLOYEE/HRMS/c/UN_PROG_AND_MOD_EXTRACT.UN_PLN_EXTRT_FL_CP.GBL?PAGE=UN_CRS_EXT4_FPG&CAMPUS=U&TYPE=Module&YEAR=2026&TITLE=Machine%20Learning&MODULE=COMP3009&CRSEID=015889&LINKA=%25&LINKB=COMP%25&LINKC=%25

本文涉及学校、模块代码、课程名称、学分（20.00）、层级（Level 3）、开课单位（计算机科学学院）、模块负责人（Dr Xin Chen）、学年（2026）、授课学期（秋季）、授课形态（面授）、所属主题（人工智能、建模与优化）、互斥条款（不可与 COMP4139 同修）、内容说明（机器学习、模式识别与数据挖掘；从试错经验发展规则的系统与无监督找模式的系统；主题含基础、模式识别基础、人工神经网络、深度学习、应用、数据挖掘技术与假设评估）、五条学习成果、考核（小组编程作品集 30%、ExamSys 现场机考 70%，时长两小时；补考为同型现场机考两小时）、先修（高级编程能力如 Matlab／Python，数学能力如线性代数、微分、概率，官网明列）等事实，均来自上述学校官网课程目录；核对时间为 2026-11-03。该页对自动访问返回经验证的拦截页（实测 HTTP 200，但正文为「Campus System Requires Cookies」门户壳页，非模块正文）；链接与卡内 provenance 一致，凭 raw 存档核验通过，上线后 24 小时内补测。学习投入与每周课堂的推算数字未采用；机考时长属考核规格照写。文中标「（分析）」的句子为基于官网事实的推导或判断，不代表学校官方表述；「适合谁、怎么准备」等属学习建议。本文只写课程结构、考核方式与学习方法，不含任何成绩承诺与引流信息。

← 学业指南首页课程库