机械工程的小伙伴想去北欧留学看一下院校情况吧

瑞典隆德大学2020年新开设的项目Master of Science of in Machine Learning, Systems and Control 项目（以下简称MLSC）。

下面就跟着留学中介前十的金吉列留学的留学顾问老师看一下这个专业的详细介绍吧！

基本信息

• 学制：两年，每年两个学期（semester），每个学期分为两个study period
• 学分：120ECTS，每个学期30ECTS
• 项目结构：如下图

第一年上学期4门必修课，下期开始分为两个track：machine learning和control，各自选择本track的必修课。第二年上学期一门统一的control必修课，第二年下完成30ECTS、为期20周的毕业设计课题。

• 课程：每门课程7.5ECTS ，除第一年上学期存在跨study period的两门课，其余课程基本是一个period两门。课程设置紧凑，同一门课可能会一周两节课甚至三节，一般一个半月讲完全部内容。一般没有家庭作业（homework）但是会有数个大作业和不同形式考核。

课程介绍

一共五门必修，machine track三门必修，共八门。四门选修课。可以说选课自由度极低了！但是要辩证的看待这件事：尽管自由度低，如果必修课恰好都是你需要的，选修课虽少但满意，这也是一个适合你的硕士项目。

所有课程只有两种分制：五分制（不及格，3， 4，5），两分制（不及格／及格）。考核方式因课而异，具体见下列。

课程的主要成份包含：lecture（老师上大课），exercise（TA辅导+可以就作业进行提问），lab（实验，同样由TA主持）。

必修课

Image Analysis

• 质量：☆☆☆☆

全程由一位教授主讲，四门大作业，全部作业通过即获得3分。（对，如果只是想及格不需要考试。）大作业的设计比较合理，每次内容根据课程内容完成OCR系统的一个模块，最后一次作业将所有模块组合为一个系统。如果希望得到4或5分，参加72小时的take－home exam。完全开卷，可以使用互联网，唯一的要求是不能求助任何人。take－home exam的内容包含少部分理论，大部分需要编程解决，最后提交报告和代码。take－home exam之后会有一次oral exam，老师会就报告中的一些问题进行发问，对卷面分进行微调。

授课老师Magnus从事计算机视觉方向研究，属于math department。

Introduction to Machine Learning, Systems and Control

• 质量：☆☆☆

基本上是一个准备课程，为了让来自世界各地的学生统一基础。分为四个模块：统计、控制、伦理、数学，分别由四位老师负责，略显杂乱。除了控制模块，其他三个都是水课。控制模块中需要学习julia语言，并使用其完成三个lab，控制古田摆完成倒立。实验本身有趣，但对于希望选择machine learning的同学略显多余，而且对于编程基础薄弱的同学，需要快速上手新语言是一个挑战。

Modelling and Learning from Data

• 质量：☆☆☆☆☆

由Programme Director，Bo主讲。主要包含传统机器学习算法+系统辨识+贝叶斯网络。课程质量是所有课程中最高的，得益于Bo授课非常用心，经常在课间设计问答游戏、赢得人会获得礼物。有三个lab，必须全部通过。考试也是必须参加，好在平时的exercise布置的习题和考试非常接近，讲解也很全面。虽然任务量偏大，但是十分值得。

Bo本人对于脑电波EEG信号的处理颇有研究心得，这门课表现出色将有助于你获得control部门的RA等职位。

Introduction to Artificial Neural Networks and Deep Learning

• 质量：☆☆☆

主要从理论方面讲解深度学习的几乎所有分支。四次大作业通过即及格，考试可选，为5小时在考场考。如果有深度学习基础，这门课相对容易。

授课老师属于生物医学专业，对于希望从事医学图像处理的同学能起到帮助。

Automatic Control, Advanced Course

质量：☆☆☆☆

作为第二年唯一一门必修课，对于选择machine learning track的同学显得十分多余。内容主要是自控理论，如Kalman滤波器、LQG控制器等。3次lab必须通过，考试必须参加。lab的内容比较有趣，比如LQG控制小车倒立。

Machine learning track必修课

Artificial Intelligence

• 质量：☆☆

体验最差的一门课，没有之一！首先，由computer science部门的四位老师授课，分别简单讲述了AI的各个分支，搜索算法、Machine Learning、NLP、概率与机器人、逻辑和知识表示。三次大作业通过即及格。可以看出安排这门课是希望学生对AI各分支有一个全面但粗浅的理解，然而这门课被安排在year 1 sp 2，以至于ML的部分早就在前面课中学过了。并且这门课有考试，平时却完全不提供相应的exercise和讲解、大作业和考试题又完全不一样。准备考试仅有的资料就是过去一两年的往年题。简直是拉低均分的纯在的一门课，就这它还是门必修！无力吐槽。

授课老师之一Pierre Nugues应该是我认知范围内Lund做NLP的老师，科研能力不错，就是有点耳背，不容易沟通。

Monte Carlo and Empirical Methods for Stochastic Inference

质量：☆☆☆☆☆

所有必修课中最难的一门课，因为它最偏理论，需要对概率、随机过程等先修课有相当的掌握。由一位老师授课，三次大作业，通过之后，还需参加一次oral exam。不过oral exam得分并不决定最后成绩，反而是三次大作业的平均分。然而如果oral exam不通过，课程就不及格。不过一般会给补考的机会。

授课老师为Magnus Wiktorsson，属于Financial Mathematics Group。对于大部分工科背景学生没啥用。