Group 22
课程意见汇总
收获
- 课程涵盖数据分析、人工智能、机器学习、神经网络、计算机视觉等前沿模块，内容实用。
- 学会了创建网页、使用AI工具、识图等实用技能。
意见
- 互动不足。大课堂授课导致师生互动和课堂讨论机会有限，学生难以深入理解知识。
- 难度大。部分内容对无编程基础的学生难度较大，容易跟不上节奏。
- 设备与环境问题。大教室插座有限，课程时间长，电脑很容易没电。软件安装和实际操作问题较多。
- 课程内容丰富，时间紧张，难以充分消化知识。
建议
- 增加实操比重。
- 提供差异化教学内容。增加基础知识讲解。
- 优化课程安排。缩减单次上课时间。
- 改善教学环境，多安排插座较多的教室。
- 提供详细指导。提供图文教学视频，操作视频，方便学习。建立助教小群，方便学习沟通。
- 提供个性化指导，往学生感兴趣的方向教学。
2024******006
课程总结
优点:循序渐进，讲解细致:老师授课思路清晰，从基础概念入手，逐步深入，并结合实例进行讲解，易于理解。
不足:课堂互动有限: 由于是大课堂授课，师生互动和课堂讨论的机会有限，学生难以深入理解和消化所学知识。 部分内容难度较大: 对于没有编程基础的学生来说，部分课程内容难度较大，容易跟不上老师的节奏。
建议
增加实操环节: 建议增加实操环节的比重，让学生在实践中巩固所学知识，并提高解决问题的能力。 关注学生差异: 针对不同基础的学生，可以提供差异化的教学内容和指导，例如开设基础班和提高班，或提供课后辅导等。 大课堂问题: 大课堂授课不可避免地存在一些问题，例如师生互动不足、课堂纪律难以维持。 课程时间安排: 部分课程内容较多，时间安排较为紧张，建议适当调整课程进度，缩减单次课程时间。
总结
总体而言，数据驱动与可重复性研究课程是一门内容丰富、实用性强的课程，为学生打开了数据驱动研究的大门。然而，课程也存在一些不足，例如实操环节不足、课堂互动有限等。希望老师能够采纳以上建议，不断改进课程内容和教学方式，为学生提供更优质的学习体验。
2024******126
课程整体感受
《数据驱动与可重复性研究》课程内容还是挺丰富的，涵盖了数据分析、人工智能等多个模块，通过项目驱动的方式，让我们在实践中提升了科研能力。然而，在课程实施过程中，也遇到了一些问题，尤其是与设备使用相关的问题，给学习带来了一定不便。
关于设备电量与操作性问题的改进建议
- 增加充电设备：鉴于目前学生自带电脑电量容易不够的情况，建议学校或课程组织方在教室中配备一定数量的充电设备，如充电插排、充电宝等，方便学生在课堂上随时充电。
- 优化课程安排：合理安排课程内容，对于一些耗电量较大的操作，可以适当调整顺序，避免连续进行高耗电的实践操作。例如，将一些理论讲解与实践操作交替进行，给电脑一定的“休息”时间。
- 提前通知学生：在课程开始前，通过课程通知、邮件等方式，明确告知学生每次课程可能需要的电脑电量要求，让学生提前做好准备。
- 提供详细的操作指南：虽然课程有相关的教学资料，但对于一些复杂的软件安装和操作，建议提供更详细、更易懂的操作指南。可以制作图文并茂的教程，甚至录制操作视频，方便学生在课前或课后进行学习和复习。
- 增加实践指导环节：在课堂上，增加专门的实践指导时间，由教师或助教现场指导学生进行操作，及时解决学生在实践过程中遇到的问题。对于一些常见的操作问题，可以提前整理成问题集，并在课堂上进行集中讲解。
- 优化课程资源：进一步优化课程资源，确保所有学生都能顺利访问和使用。例如，对于一些需要联网下载的软件或数据，可以提前准备好离线安装包或数据文件，供学生在课后下载。
2024******132
老师讲的很好很细致课程内容较为全面，有志于从事数据相关工作的学生。不过，对于零基础的学生来说，课程的入门门槛较高，需要投入一定的精力去掌握基础知识。总的来说，成功学习这门课程的学生将具备在实际工作中解决问题的能力，尤其在数据分析和决策制定方面具备优势。
2024******125
整体感受
整体感觉课程比较难，对没有代码或者R，Git和Python这些软件使用基础的同学可能比较难，还有课程节奏比较紧，有点快，东西消化不过来，但是整体是比较好的一门课程，可以学到很多东西。
课程建议
建议课程节奏慢一点，对于上课的人数应当适应减少一些，尽量能安排在机房可以在学习的时候进行实操，学生自己的电脑设备不统一，相对于这个课来说有很多的限制（软件的安装，电量不足等），课后的作业感觉可以更贴近并专业方向（分专业小课程容量教学可能更容易实现），能更好激起学习兴趣。
2024******157
整体感受：
数据驱动与可重复研究是一门会很好的git与r语言入门课程，老师非常有耐心的指导学生完成课业，经此课程受益良多。但关于vscode的环境配置还是有些晕，可能不如rstudio和pycharm用的明白。
建议：
- 绝大部分学生对编程还是不太感兴趣，与自己专业相干性不大也就积极性不高，若是环境配置这一步不够细致的话，大概率就止步在这里了。所以建议进一步细化环境配置这一步骤，手把手一步步来才能避免小问题拖慢节奏。
- 课程单次时间过长，在没有电源的情况电脑很难撑得住，大教室也没有几个插座可以用，所以希望老师能够考虑使用机房那种插座多的教室，将课程内容细化、节奏放慢，不一定要学会那么多，但学会的一定对科研有帮助。
2024******130
课程总结
尊敬的高老师您好，非常感谢高老师对我们数据驱动课程的教导，让我们学会了以前不曾接触过的东西，比如github，创建自己的网页，创建自己的ai，学会识图，等等这些都是从来没有学过的， 在这个人工智能越来越重要的时代，高老师教给我们的这些东西，无疑能让我们更好的与时代接轨，与智能同行。诚然，我一开始学的时候并不是很重视，以为又是一节形式主义的水课，但是当我真正去操作，去 体验的时候，着实给我带来了不少惊喜，就像翻找许久的土地中发现宝藏，像深耕播种的土地里长出了新芽，所以，非常感谢高老师给我们的上的这个新兴的数据驱动课程，也期待未来能给师弟师妹们带来更好的体验。
课程建议
高老师手把手教的还是非常清楚的，但是我认为阶梯教室太大，而显示屏到了中间的时候其实就有很大的失真率，所以建议老师以后教学的时候，比方说创建自己的网页部分可以做成pdf的形式发到群里，让大家在群里 自行查阅，遇到不会的也可以在文档中先自行查阅，然后实在不懂再问老师，提高了效率。
2024******012
整体感受
高老师的课程设计非常系统，涵盖了从基础的环境搭建、编程语言入门到高级的机器学习、神经网络模型等内容，为我们提供了全面的数据分析和研究工具。首先，课程的内容非常丰富且实用。从R语言和Python的基础入门到Git和GitHub的使用，这些工具和技能对于进行可重复性研究至关重要。数据处理和分析是研究中的核心环节，掌握这些工具能够大大提高我们的工作效率和研究质量。其次，课程的实践性很强。通过分组数据分析和实战项目，我们不仅学习了理论知识，还通过实际操作加深了对知识的理解。
课程建议
课程的内容较为密集，对于初学者来说可能有些难度。建议在课程初期增加一些基础知识的讲解和练习，帮助同学们更好地掌握编程和数据分析的基本技能。还有就是让助教建立相应管理的学生的小群，方便和助教在群里多沟通和学习。考虑到学生的背景和技能水平差异较大，建议老师课程采用分层次教学，可以为初学者提供更多基础知识的讲解和练习，而对于有一定基础的学生，则可以提供更深入的内容和挑战性项目。
2024******017
课程总结
在这门课程中，我们系统地学习了如何利用数据驱动的方法进行科学研究，并确保研究过程的可重复性。课程内容涵盖了从环境搭建、基础知识到具体的数据分析技术，内容丰富且实用。首先，课程介绍了可重复性研究的概念及其重要性。通过搭建可重复性数据分析环境，我们学会了如何配置和使用工具如R和Python进行数据分析。文学化编程和命令行程序的讲解为我们提供了高效处理数据的技能。在基础知识部分，我们学习了R和Python的基础语法，并探讨了在不同场景下选择合适编程语言的策略。Git与GitHub的入门课程帮助我们掌握了版本控制的基本操作，这对于团队协作和代码管理至关重要。课程还深入探讨了分组数据分析、转录组数据分析和微生物组数据分析等高级主题。通过实战项目，我们不仅理解了理论知识，还掌握了实际操作的技能。特别是转录组和微生物组数据分析的实战部分，让我们对生物信息学有了更深刻的认识。此外，课程还涉及了大模型API调用、神经网络、机器学习算法以及计算机视觉等前沿技术。这些内容拓宽了我们的视野，并为我们未来的研究提供了新的工具和方法。
课程建议
虽然课程已经包含了不少实战项目，但建议增加更多的实践环节，特别是在高级数据分析和大模型应用方面。通过更多的实际操作，学生可以更好地掌握这些复杂的技术。此外，针对不同学生的背景和需求，提供个性化的指导和建议，帮助他们在自己感兴趣的领域深入发展。