Deloitte
6 位校友岗位:Graduate Program · Graduate Consulting · Platform Engineer · Web developer · Platform engineer
BISM3206
机器学习实践
2 学分难度 难
课程定位 BISM3206（Machine Learning in Practice）是 UQ 课程体系中兼顾理论与实践的一门难课程，核心目标是把“会看懂”升级为“会分析、会实现、会解释”。课程通常承担承上启下作用：前接基础概念，后接更高阶专题或项目。对准备走软件、数据、工程或研究路径的同学来说，这类课程的价值不只在分数，更在于建立可迁移的方法框架和稳定交付能力。 技术栈与学习内容 学习内容通常覆盖该方向的关键概念、方法与工具链，并通过练习或作业落实到具体场景。常见会使用 Python、R、MATLAB、C/C++ 或课程指定软件（以官方课纲为准）。课程强调的不只是“得到答案”，还包括假设条件、步骤完整性、结果解释与复现性。也就是说，你需要同时训练知识准确度、实现质量和表达清晰度。 课程结构 课程一般按周推进，前段搭建概念框架，中段进入题型训练与案例应用，后段做综合整合与评估冲刺。考核常见组合为 Quiz/Lab、作业、报告和期末评估。评分不仅看正确率，也看分析逻辑、书写/代码规范与结论表达。多数同学真正拉开差距的阶段在中后期：是否能持续输出，而不是临近截止日突击。 适合人群 适合希望夯实底层能力、提升问题拆解与建模能力、并改善学术或工程表达的同学。若你计划继续修读高阶课程，或希望在实习与求职中提升“把事情做对并讲清楚”的竞争力，这门课很值得投
Course decision
选课先看
先看考核重心、截止节奏和入门要求，再决定这门课是否适合你的学期安排。
考核总权重
100%
4 项考核
最高单项
30%
Assignment 1
期末考试
未注明
以官方 outline 为准
Hurdle
未列出
当前考核表没有 Hurdle 标记
What you learn
学完能做什么
学习成果来自官方 Unit Outline，关键词来自这门课的逐周主题。
课程能力关键词
IntroductiontoMLandPythoncodingforClusteranalysisClassificationevaluationOtherclassificationtechniques
Syllabus
每周大纲
默认只展示每周独有的知识重点；节奏、考核、Tutorial 和避坑信息按需展开。
- 1
Introduction to ML and Python
### 📖 核心知识点：Introduction to ML and Python 本周围绕 Introduction to ML and Python 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Introduction to ML and Python, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Introduction to ML and Python”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
IntroductiontoMLandPython - 2
Python coding for ML
### 📖 核心知识点：Python coding for ML 本周围绕 Python coding for ML 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Python coding for ML, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Python coding for ML”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
PythoncodingforML - 3
Cluster analysis
### 📖 核心知识点：Cluster analysis 本周围绕 Cluster analysis 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Cluster analysis, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Cluster analysis”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
Clusteranalysis - 4
Classification
### 📖 核心知识点：Classification 本周围绕 Classification 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Classification, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Classification”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
Classification - 5
Classification evaluation
### 📖 核心知识点：Classification evaluation 本周围绕 Classification evaluation 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Classification evaluation, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Classification evaluation”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
Classificationevaluation - 6
Other classification techniques
### 📖 核心知识点：Other classification techniques 本周围绕 Other classification techniques 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Other classification techniques, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Other classification techniques”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
Otherclassificationtechniques - 7
Text preparation for ML
### 📖 核心知识点：Text preparation for ML 本周围绕 Text preparation for ML 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Text preparation for ML, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Text preparation for ML”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
TextpreparationforML - 8
Text-Driven ML
### 📖 核心知识点：Text-Driven ML 本周围绕 Text-Driven ML 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Text-Driven ML, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Text-Driven ML”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
Text-DrivenML - 9
Artificial Neural Networks + Quiz 8
### 📖 核心知识点：Artificial Neural Networks + Quiz 8 本周围绕 Artificial Neural Networks + Quiz 8 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Artificial Neural Networks + Quiz 8, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Artificial Neural Networks + Quiz 8”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
ArtificialNeuralNetworks+Quiz8 - 10
Deep Learning (DL) Labour Day Public Holiday - Monday 4th May 2026 - Check Blackboard for announcements about affected c
### 📖 核心知识点：Deep Learning (DL) Labour Day Public Holiday - Monday 4th May 2026 - Check Blackboard for announcements about affected classes. 本周围绕 Deep Learning (DL) Labour Day Public Holiday - Monday 4th May 2026 - Check Blackboard for announcements about affected classes. 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Deep Learning (DL) Labour Day Public Holiday - Monday 4th May 2026 - Check Blackboard for announcements about affected classes., data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Deep Learning (DL) Labour Day Public Holiday - Monday 4th May 2026 - Check Blackboard for announcements about affected classes.”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
DeepLearningDLLabourDayPublicHoliday-Monday4th - 11
Foundation of LLMs
### 📖 核心知识点：Foundation of LLMs 本周围绕 Foundation of LLMs 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Foundation of LLMs, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Foundation of LLMs”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
FoundationofLLMs - 12
Agentic AI with LLMs
### 📖 核心知识点：Agentic AI with LLMs 本周围绕 Agentic AI with LLMs 的核心概念与应用场景展开，建议先把 lecture 中给出的定义、边界和示例理解透，再通过 tutorial/workshop 把知识点转化成可执行步骤。学习重点不是记住术语，而是能在案例里解释为什么使用这个方法、何时不该使用，以及与前后主题的连接关系。 - **核心概念/公式**: Agentic AI with LLMs, data modelling, SQL/Python, system design ⏰ **本周节奏**: 难度 ⭐⭐⭐ | 预计投入 9h（Lecture 2h + 自学 4h + 作业/Lab 3h） 🎯 **考试关联**: 常见题型是概念辨析 + 场景应用，建议用“定义-步骤-取舍”结构答题。 🧪 **Tutorial/Lab**: 围绕“Agentic AI with LLMs”完成课堂练习，并整理 1 页方法清单。 📌 **作业关联**: 与当周作业/项目里对应模块直接相关，建议本周完成第一版并留出测试时间。 ⚠️ **易错点**: 只记知识点标题，忽略前后周之间的方法衔接和应用边界。
AgenticAIwithLLMs
Assessment
考核结构
Quiz / Case Exercise
阶段测验或案例练习。
20%
Assignment 1
中期作业，考察业务分析与系统设计能力。
30%
Assignment 2 / Project
综合项目作业，强调落地与表达。
30%
Final Presentation
期末综合评估。
20%
Assignments
作业详情
Assignment 1: Analysis & Design
BISM3206 Machine Learning in Practice 的业务分析与系统方案设计。
重点: 从业务需求拆解到可执行方案，重视指标与证据。
要求:提交分析报告、设计文档和关键图表。
⏱ 预计 20 小时
Assignment 2: Integrated Project
完成端到端项目实现或综合案例交付。
重点: 数据、流程、系统与治理要素的整合。
要求:包含项目成果、演示材料与复盘。
⏱ 预计 28 小时
From Seniors
学长留下的
基础信息谁都查得到,真正值钱的是过来人的经验。
学姐说
比你早一年的学长留下的真实经验 —— ChatGPT 给不了。
这门课还没有学长经验,你可以是第一个 —— 注册后在课内分享。
往年考点 / 踩坑
这门课暂无往年考点记录。
毕业生去向(整体)
下面是匠人学院毕业生整体去过的公司分布(来自脱敏校友证言)。这是全平台的总体去向,不代表选这门课的人一定去这些公司。
统计自 317 份脱敏校友证言
Zerologix
4 位校友岗位:Frontend Dev · junior frontend developer · Front-end Developer · Full Stack Developer
Servian
4 位校友岗位:Full-stack Developer · Data Engineer · Consultant
关于这块数据,我们说实话
雇主墙来自脱敏毕业生证言（testimonials）的整体分布，无法关联到具体学员或其所选课程；仅作为毕业生去向的总体社会证明展示。
我们没有"某位学长选了这门课、后来进了哪家公司"这种可查询的个人去向档案 —— 校友证言是脱敏的,无法关联到具体的人或他选过的课。所以这里只给整体分布,不给个人路径,不编。