大数据应用课程论文 要求与评分细则

课程名称： 大数据应用

指定教材： Mohri, M., Rostamizadeh, A., & Talwalkar, A. (2018). Foundations of machine learning. MIT press.

课程论文核心任务： 从指定教材每章的”Chapter notes”小节中选取一篇参考文献，进行深入的论文复现和系统的数值实验，并基于此撰写课程论文。

一、 课程论文详细要求

本课程论文旨在培养学生对机器学习经典或前沿研究的深入理解、实践、实验与分析及学术写作能力。要求如下：

1. 论文选题：

   • 学生需从《Foundations of Machine Learning》任一章节末尾的”Chapter notes”部分选取一篇学术论文作为研究对象。
   • 鼓励选择理论与应用结合紧密、适合进行数值实验验证的论文。
   • 学生应独立审慎选择，确保选题兼具研究价值与适宜难度，并结合个人兴趣与能力。

2. 文献研读与背景综述：

   • 深入理解原文： 精读所选文献，把握其核心思想、理论、创新点、实验及结论。
   • 相关工作回顾： 查阅相关文献（至少3-5篇），综述研究背景、意义、进展及所选论文的定位与贡献。

3. 核心算法/模型复现理解与阐述：

   • 阐述原理： 详述核心算法/模型的数学原理、关键步骤及实现细节，复杂理论需清晰解释推导。
   • 实现思路与过程： 论文需清晰详尽描述核心算法/模型的实现思路与关键步骤（含数据处理、模型构建、参数设置等），使读者能理解复现过程。若参考公开代码，需注明来源并详述个人理解、调试、适配或改进。

4. 数值实验设计与执行：

   • 复现原始实验：
     • 依据原论文描述复现关键数值实验，包括数据集、评价指标及参数设置。
     • 记录并对比分析复现结果与原文结果，差异显著时分析原因。
   • 扩展性/创新性实验： 成功复现后，鼓励设计并执行至少一项扩展性/创新性实验，如：
     • 不同数据集测试：应用于新数据集检验泛化能力。
     • 参数敏感性分析：探究关键超参数对模型性能的影响。
     • 算法改进或对比：改进原算法或与教材其他算法对比。
     • 不同评价指标：从大数据应用角度采用更多维度指标评估。
   • 实验环境与设置： 清晰记录硬件、软件（含库版本）、数据集详情（来源、规模、特征）及重要参数。

5. 结果呈现与分析：

   • 清晰展示： 用规范图表清晰直观呈现结果，图表需含标题、标签和说明。
   • 统计显著性： 随机性强的算法建议多次运行报均值标准差，必要时做显著性检验。
   • 深入分析： 深入分析讨论结果，解释现象，验证假设，并与原文、理论或其他研究对比讨论异同及原因。
   • 批判性思考： 讨论算法优缺点、局限性及大数据应用挑战。

6. 讨论与结论：

   • 主要发现总结： 简要总结主要工作与核心发现。
   • 复现与实验体会： 分享复现与实验中的挑战、解决及经验。
   • 大数据应用启示： 结合课程讨论算法/模型对大数据应用的价值、场景或局限。
   • 未来工作展望： 提出未来研究方向或改进建议。

7. 数据说明：

   • 若使用公开数据集，请提供数据集名称和来源链接。
   • 若自行生成/处理数据，需详述过程。
   • 大型数据集可不提交数据，但需保证描述清晰可追溯。

8. 论文格式与结构：

   • 基本结构： 应含标题、摘要（中英文）、关键词（中英文）、引言（含综述与意义）、原方法概述、复现过程与细节、实验设计、结果与分析、讨论、结论、参考文献及可选的致谢。
   • 引用规范： 参考文献格式需统一，遵循本领域或通用学术引用标准。所有引用均需注明来源。
   • 学术诚信： 严禁任何形式的抄袭、剽窃等学术不端行为。论文将进行查重检测。

二、 评分细则 (按分数段划分)

课程论文的最终成绩将基于对核心方面的综合评估，划分为不同等级：

• 优秀 (90-100分): 选题具显著洞察力与价值，文献综述深入全面。对核心方法理解透彻，复现思路与关键实现细节阐述清晰准确且富深度。数值实验设计严谨或具创新扩展，结果分析深刻，讨论富有洞见，有力支撑结论并对大数据应用提出启发性思考。整体论文结构逻辑严密，表达专业流畅，图表规范，展现优秀科研素养与写作能力。

• 良好 (80-89分): 选题恰当，文献综述较全面，核心方法理解准确，清晰阐述复现思路和主要实现步骤。数值实验设计合理，结果分析正确，讨论能围绕核心问题展开并联系大数据应用。论文结构完整，逻辑清晰，表达准确，符合学术写作要求。

• 中等 (70-79分): 选题基本符合要求，文献综述尚可但欠深入。对核心方法有基本理解，复现思路与实现细节阐述完整但缺深度或细节。完成基本数值实验，结果分析与讨论尚可但深度有限。论文结构完整，但逻辑、表达或图表规范性或有不足。

• 及格 (60-69分): 选题勉强达要求，文献综述薄弱。核心方法理解存偏差或不足，复现思路与实现细节阐述不清或多缺失。数值实验设计简单或有缺陷，结果分析表面，讨论不足。论文在结构、逻辑、表达或格式规范性上问题较多，但核心任务基本方面有所体现。

• 不及格 (<60分): 未完成选题、复现或数值实验等核心任务，或对核心方法严重误解。内容空泛，缺实质分析，结构混乱，逻辑不通，表达不清，或存严重学术不端。

关于附加分： 研究中展现显著创新性（如独特实验设计、算法改进思路并验证）、对复杂前沿理论/技术高质量理解分析，或成果具明显应用潜力和价值的论文，可酌情加分提升等级。

最终成绩说明：

• 学术不端行为一经查实，本课程论文成绩记为零分，并按相关规定处理。