前天考完了大二下所有的期末考试，意味着大二这一年就完全结束了。因为想要尽可能快地掌握基础知识，这两个学期自己全部选的都是专业课，一门通识课都没有上。事实上到现在为止，自己的major requiement已经完成的差不多了，实质性的专业课基本上就只剩下了函数式编程和抽象代数这两门。这也就意味着接下来大三这一年，自己的课表实际上相比大二是要来得轻松许多的，因为一半以上的课都会是满足distribution requirement通识课。
既然已经完成了大部分的专业课，自然感觉到有必要把这一年来上的课程做一个记录与评价——既可以作为对自己一年学习的一个总结，也可以为后人在选课时提供参考。因为转学的缘故，大二上其实是来到康村的第一个学期。这学期初看课有点多，实际上压力并不是很大——CS 2800和CS 3410这两门课是因为转学没法换学分才重学的，而因为高三的时候就自学了一点数学分析，MATH 4130也不感觉有很大的困难。下面从内容、难度和工作量把这五门课简单做一个回顾。
CS 2800 Discrete Structures
这门课名称是离散数学，但感觉其实是在向CS major的人普及一些数学基础知识，由于大多数美国学生数理基础参差不齐，实际上最后并没有讲多深的离散数学。前一半学期讲集合、映射、关系的基本定义；普及了一下充分性、必要性、存在/任意、命题取反这些基本逻辑知识；然后介绍一下数学归纳法和反证法（如果普高的话，大部分这些都应该学过）。后一半学期讲的是基础的数论（六年级）、排列组合（高中）、概率（高中）。最后一周讲了DFA有限自动状态机（是唯一一块之前没有接触过的内容）。除了DFA外其他的内容里面当然偶尔也会小部分东西高中没有接触过（集合的势、可列性、关系、概率的公理化定义、费马小定理、RSA加密），但总的来看这些东西不是很值得专门开一学期的课去学。如果是数学double major还上过一两门数学专业课的话，那这门课的数学训练就真的比较浪费时间了。所以说我一直是希望cs department能够给有一些数学背景学生在这门课上有一些灵活性，学期结束的时候甚至还给director of undergraduate studies专门发了封邮件去解释这个问题，不过后来也没有收到回应，估计还是要照顾大多数学生。不过如果之前对这些内容接触不多的话，学好这门课还是比较重要的，毕竟都是比较基础的东西。因为没有去上过课，所以也不知道教授讲得怎样。
（ps：另外一件比较令人费解的事情是，寒假时我申请这门课的ta竟然被拒了。技不如人似乎是一个合理的解释，但听说office hour有学生拿着一道常规的作业题连着难倒了五个ta，便又让技不如人那个解释不大站得住脚了。）
CS 3410 Computer System Organization and Programming
与CS 2800不同，这门课设计得相当好，Anne Bracy讲课清楚，而且节奏很快并兼具广度和深度，是相当好的一门计算机系统基础课（相比之下后续的CS 4410反而显得有些平庸）。尽管转学之前在NYU学过一节计算机组成原理的课，但在这门课上自己还是学到了许多新的东西。
CS 3410相比于其他学校的Computer Systems Organization来说，硬件部分讲的相对比较多。学期从最底层的电路门开始，一层一层往上讲，到处理器设计，到汇编，再到cache，再到multicore，最后到virtual memory和exceptional control flow，干货满满。这门课的5个project也比较费时间。课程的前两个project是用logism来做出一个single cycle processor。 然后project 3是缓冲区溢出，project 4是riscv解释器，project 5是cache simulation。总之学好这门课对于后续系统方向的进一步学习具有重要的意义。
CS 4740 Intro to Natural Language Processing
这门课的教授是Claire Cardie，课程还是比较充实的，基本上把NLP领域内该讲的都给讲到了。从一开始的n-grams到Naive Bayes和HMM，再到后面的word embedding，神经网络，RNN，Transformer，当中穿插介绍了NLP领域中的各种任务。如果对NLP不太熟悉的话上这门课还是能够学到很多的。Claire Cardie人非常好，讲课也过得去，不过最重要的部分还是project。这门课我上的时候一共是3个project（正常是应该有4个不过我们那学期因为时间来不及砍掉了一个）——project 1是n-grams和Naive Bayes，project 2是HMM，project 3是RNN。project的代码量都是比较多的，然后写完代码后还要写report，所以每个project都要花上很长的时间。总之这是一门中规中矩的NLP入门课，上完这门课之后应该能对NLP整个领域有一个比较大概的了解了。
CS 4780 Intro to Machine Learning
我上这门课的时候教授是Kilian Weinberger和Anil Damle。Kilian是搞机器学习，Anil是搞计算数学的。两位教授都很会讲课，能够把概念解释得非常清楚。如果每节课都去听的话，内容理解起来基本不会有什么难度。机器学习近年的火热导致了CS 4780现在貌似是除了Core以外最热门的一节课了，基本每一个计算机系的学生都会选修这节课，而CS Department也不得不把这门课从一年开一次增加到一学期开一次。这门课主要的内容就是机器学习的各种算法——上半学期会涉及到KNN，Perceptron，Linear Regression，Logistic Regression，Naive Bayes；下半学期讲Bias Variance Decomposition，Kernel Methods，Bagging and Boosting，Neural Network。要学好这门课的话数学是比较重要的，因为各种算法背后其实就是一些数学推导，把那些推导都搞会了这门课也就过关了。这门课的workload也比较ok，就是八次作业和八个project，不会很难，最后的分数基本就是由考试决定。
MATH 4130 Honors Intro to Analysis I
这门课尽管课名带了个Honors，但不管从难度还是工作量上来说，最多只能算是一节中规中矩的数学分析入门课。教材是Robert S. Strichartz的The Way of Analysis的前7章。内容基本就是一元微积分的严格化：实数系的构造、R上的拓扑、极限、连续函数、求导、黎曼积分、数项级数和函数项级数。教授是周鑫老师，在数学上造诣颇深，但丝毫没有为难学生的意思，每周作业就是七八道证明题，两次考试都是take home，难题也都给了hint。周教授讲课也讲的很棒，证明都解释得非常清楚，确保大多数学生能够理解。总之，上完这门课虽然不能说数学分析能够学得有多么好，但该掌握的还是都能够掌握了。如果想要学习数学的话，这门课是基础中的基础且必须要学好的一门课。如果不以数学作为主要学习目标的话，通过这门课也能培养出一些的数学成熟度、熟悉一下数学的思维方式，对其他专业的学习起到促进作用。
课堂之外，周教授恰好也成为了我的数学的major advisor，有一次在食堂碰到他便直接说起了中文。感觉周鑫是一个很好的人，和他聊起天十分有意思。
BTC may be the latest or last chance to get rich in this era. It will reach $200000 next year or the next year.
BTC has increased 20 times in the last year, and other coins have increased 800 times!!!
Think about only $2 a few years ago. Come to the world’s largest and safest virtual currency exchange Binance to Get free rewards. Don’t miss the most important opportunity in life!!!
https://hi.switchy.io/91xl