深度学习和人工智能是本专业相当难得一门课，主要难度在于课程内容覆盖广，练习题的数量有限。
本课共涵盖13章内容，包括常见的CNN，RNN，GNN和强化学习（分了两次课），每周一次课讲一章。其实每一章展开了讲深入了，好几节课都打不住。但是我们讲师的风格是，每章先介绍基础，然后讲每种模型的问题，对应的解决办法以及衍生出来的变种。以RNN为例，从最基础的RNN讲起，然后讲到梯度消失和爆炸，然后介绍到LSTM，再讲到Bi-directional Sequence Learning，TreeRNNs, Seq2Seq等等，除了基础的RNN原理讲的比较仔细以外，其他的都泛泛而谈仅作介绍。
相对应的，每章节的练习可能仅仅就2-3道推导题目，用来理解RNN和LSTM的基本原理和梯度爆炸的原因，再配上一道可选的编程题。
这种上课模式可能对大多数人没有问题， 然而对我这样的分不清主次的中国同学，常常会很痛苦。一来，上课时虽然讲师会多讲基础，但是课件内其他模型的介绍篇幅实在不少，仔细看吧，费时费力又多流于形式(对于一个好几篇paper堆出来的模型，光看介绍能理解什么呢)，也事实上不太会用到；若是忽略，心中惴惴不安，总觉得对不起自己，更担心考试考到时傻眼。总是在看课件时纠结，在考试时后悔。
其次，作为一个合格的小镇做题家，获取知识的核心途径并不是上课，而是在于做题，用做题带来的反馈来加强我对知识的理解以及修正错误的认知。然而讲师实在吝啬笔墨，希望学生能够举一反三，做三道题，理解出9道题的能力(真希望有个GAN出题网络啊)。我做完习题问自己，这两道题是否能让我理解这章的主要内容？每每都无语凝噎。就是这样的学习模式，让我在类似课程的考前总是万分慌张，复习无从着落。
毛主席曾说“我们的同志在困难的时候，要看到成绩，要看到光明，要提高我们的勇气”，显然遇到有困难的课就消极学习，这不是我们提倡的一贯态度。
于是，在复习这门课时，我改变了策略。一来着重看课件基础内容，另外听讲课视频，以免漏下课件中没有的内容。其二，忽略讲师展开来用于介绍的内容，这不是重点。第三，多做练习题，重复做，从生疏到熟练，提高的不仅仅是解题速度，还有理解深度，然后重复看题目的参考解答和讲解视频，这里常常会提到一些课程中遗漏的重点。其四，找课外的相似内容（历史考卷，或者比如国内相关内容的面试题），这步我没有落实好。第五，对于相似却又有细微差别的内容（如强化学习中的Model-free/based, on/off-policy等等），多阅读课外资料，自己厘清逻辑。
实际考试中，我复习到的内容也确实大都为重点，内容较为熟悉。虽然由于惰性，部分编程题没做，影响了部分题目，而且考试为开卷网上考试，难度稍有降低。但总的而要，复习和考试策略还是较为成功的。
----记于17日考完这门课来总结
