自然语言处理

涵盖了nlp的大部分基本领域，前小半个学期在讲传统nlp的技术(前transformers时代)，之后就包括了transformers+LLM的内容，对于小白入门还是可以的。lab课是关于lecture的practice，难度不大，会给详细的notebook参考。lecture签到5分，lab签到5分 + practice 10分。

总共有6次Assignment（这学期最后因为内容取消了第6次）总共占55分。相关的lab和作业的参考notebook中也有代码框架。个别难度会高一些，整体难度不大。

Project占比25分，完全参考Standford CS224n: https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1244/ 具体是给定代码基础上实现一个BERT + finetuned on 3 downstream multitasks。基本的实现不难，想提升performance需要自己花心思。另外还可以有customized project，需要自己选择一个topic，和老师确认一下。

没有期末考试。

一个小广告，课程内容可以参考: https://github.com/Cooper-Zhong/CS310-Natural-Language-Processing，project部分可以参考 https://github.com/Cooper-Zhong/CS310-project-minbert。

总体上，这是一门现代的自然语言处理入门课程，涵盖了基础 NLP 知识、基础深度学习知识、现代 RNN 类和 Transformer 类模型和其训练微调做法。徐炀老师讲课很认真，实验课的材料也都是自己准备。

课程难度上，内容循序渐进，作业梯度设置合理，实验课也不太浪费时间。

课程分数上，不设置考试，作业占据55%，Project占据25%，其余未签到分，对考试苦手（比如我）比较友好。

课程项目上给分较为严苛。2025 春的 Project 为训练一个检测 AI 生成文本的模型，并测试零样本的方法比较性能，2-3人完成。基本做法就是用 BERT 类模型进行下游任务的微调，效果接近于原始数据集中的数据。但是似乎 Project 的给分比较严格（毕竟没有考试也就这个能扣点分），没有明确的评分细则，暂且不知道是按什么标准打分的，感觉做的还挺完整的也只给了及格线的分数，询问了周围一些同学得分也差不多，似乎与往年略微不同。

总之，推荐选修的。