计科大二通关指南

▶️ 前言

相信各位应该看过信科大一通关指南。其中心态篇与方法篇也介绍了许多内容，各位感觉有需要可以翻一翻。

正文无关。各位可能会疑惑，为什么这个网站的域名是 ovideros.site 而不是 ovideros.github.io？请参考关于。

睿信与特立在大一暑假，便要选专业。当时我因为各种专业的差别，犹豫了很久。最后发现自己排名很高，于是选择了计拔。现在回头来看，在计算机大类中，各个专业（计科、软工、AI、大数据）具体差别并不大，只要你选择的专业符合你的需求即可。

对于软件工程专业，多谢Reina同学写了一个北京理工大学软件工程课程资料仓库，质量很高，里面也有对各个课程的评价，可以与本指南互补。

需要注意，本攻略只是记载了我对于许多课程的主观看法以及个人心得，并不能做到客观。事实上，不同课程对于不同人都会有不同的难度，每个人都会有自己独特的方法。并不存在一种学习方法可以推之四海而皆准，适合自己的才是最好的。

同时，作为一个应试还不错的人，下面不少内容可能都存在幸存者偏差或者片面归因。“成功者”想要写一个攻略，便会找一些理由，然而这些理由可能只是成功的推进因素，并不是决定性因素（可参考真理元素的这期视频）。同时，每个人的关键优势也不相同。这里我举一个科幻的例子—— SCP-CN-3000 - 众节点永垂不朽。

下一段存在剧透，对此 SCP 感兴趣的或者想读一读的建议先去看看源文档）

正文无关。我初高中阶段出于无聊，用 Kindle 联网，看过一些 SCP 的作品，感觉很有意思。进入大学以来，几乎没怎么看过。这学期考试周前一周，我打开了 SCP CN，虽然知道很早就有 CN 3000 了，不过还没看。用 2h 看完了，感到相当震撼。如果你此前没有接触过 SCP，但是对科幻相关感兴趣，推荐看一看。

在 SCP-CN-3000 中，为了应对非物质，众人经过不断尝试，发现了一种方案——不同人根据稀金的指引，用独特的方式改变自身，达到有效特征向量，并将其广播，进而成为节点。该过程相当多样的——有利用稀金追求梦想的工匠，有放浪形骸的酿酒师，有为了拯救世界而失去心脏的情侣，有勇敢猎杀太阳的猎手…… 为什么这些人可以用独特的方式找到有效地特征向量呢？没人知道。异常并不会回答。但是每一个成为节点的个体，都充分发挥了自己的特质，将自身的喜好与优势坚持到底。这便是人类能够反抗异常的力量。

回到刚刚的话题，不同人因为先天与后天的各种条件不同，都是独特的个体。所以，本文也只是记录了一种符合我个人特性的学习方式与个人心得，在我身上，它很适用。但对于不同特性的人，方法不尽相同。一味照搬我的方法，并不能让你的学习效率变高，反而有可能因为不适合，成为某种路径依赖，阻碍了真正有效的方式。

说回“幸存者偏差”，接下来留下来的攻略，反而可能并不是成功的关键因素，而是次要因素。真正关键的因素，是隐藏在具体方法或具体路径之后的精神，是每个人特有的价值——例如积极地搜集各类信息与资源，大胆地改变过去的做法，无畏地尝试新事物，对自身特性的理解，对知识纯粹的好奇等等。许多特性在大众看来是较为少见的——例如我了解有学长不刷各类社交媒体与长短视频网站，拥有殖民火星的梦想，并以此为动力积极创业；有学长课内成绩并不优秀，但对于科研有发自内心的兴趣，对知识具有好奇心，本科阶段发了多篇顶会文章；有学长“比较俗气”地想搞钱，积极学习开发技术，去多个大厂实习，本科毕业拿到好 offer ……

对于我个人而言，我可能并没有那么纯粹的特质，不过经过两年的大学生活，可能也找到了一些：

我觉得真正理解知识是有趣的，为此会选择主动寻找资源帮助理解
我喜欢从多重视角看问题，甚至是不同学科的视角
对于难以平衡的一些事情（例如科研 vs 竞赛 vs 水综测），我会选择直接放弃不重要的

所以，下面的攻略或多或少会包含我的这些个人特质，请各位明鉴。也希望各位可以积极探索，或许可以找到一些自己的特质吧。

大二上的顶级折磨

下面采取更新式的方法，说一说我认为大二与大一的区别。

如果你是信科，想必感受到了大一下与大一上难度有着鸿沟。然而大二上也不简单。具体来说，我们这一届大一下平均分为 79.3，大二上平均分为 78.3 。这还是许多优秀学生选择去计算机学院，卷出来的结果。

我们这一届的核心课程如下：

数据结构与算法设计，5 学分
离散数学，4 学分
大学物理A II，4 学分
概率论与数理统计，3 学分
马原，3 学分
数值分析，2 学分

小学期有两门课——程序设计方法与实践，1 学分；网站开发，1 学分。

根据课表，今年开始，5 学分的数据结构与算法设计变成了 3.5 学分的数据结构课，又拆开了。

并且，今年小学期好像合并了网站开发与算法题两门课程。原先，这两门课各自 1 学分，现在合起来变成了 3 学分的课，不确定会如何。

大二下稍微放松

大二下相对轻松一些，可以多选一些选修课。

核心课程如下：

数据库原理，3 学分
毛中特，3 学分
面向对象技术与方法，2 学分
数字逻辑，2 学分

如果你是计科的，那么就没了。计拔会多一门数据科学与大数据技术的数学基础，2 学分，这门课也是大数据专业与大数据全英班的必修课。

💛心态篇补充

关于未来方向

进入大二，你应该逐渐明确自己的专业方向与未来路径，并知道课外应该往哪方面努力（例如多刷一些公开课提升实力，多刷算法题打 acm，多去工训楼搞机器人队，多学开发技术进大厂实习，或者进组科研实习等等）。

因为每个人的路径并不相同，所以这方面并没有统一的答案。很多事情是个人偏好决定的。例如在计算机保研指南中，有的人倾向学校的 title，有的人倾向好城市，有的人倾向于好导师。这都没有对错，只是不同人有不同的喜好罢了。

不过，我还是建议各位尽早尝试，这样有可能找到自己比较喜欢的方向。其实喜欢也并非一个很高的标准，只要你不讨厌每天花几个小时做这件事，并且持续几个星期，我觉得至少可以说明不讨厌。

关于计算机专业课

大二选择计科后，你会接触到很多计算机学院的专业课（包括必修与选修），充分感受到课程与考核的抽象——PPT 无法反映最新技术，是几十年一成不变的；考试无法反映真实理解水平，很多只是死记硬背；有些授课水平一言难尽，没有听的必要。

至于该课程或者授课水平怎么样，可以在 BIT101 的课程界面上提前搜一搜，有一个印象。如果差评如潮，那么就要当心了。

关于选修课

学校中选修课有两大类——全校公选课，以及专业选修课。前者全校都可以选修，要求的是 6-8 学分；后者是每个学院特有的，需要根据培养计划选够足够的学分，例如计科是 12 学分，计拔是 14 学分。这一届具体可以参考教务部的培养方案，不过目前 24 级还没有出。

攻略中并没有涉及计算机学院的选修课。因为我大二上没有选修，大二下选修了两门，但是都在暑假才截止。

有学长建议从大二上到大四上（大四下没有专业选修课），每学期的选修课如下——1, 4, 1, 0, 1（针对 14 学分的情况）。然而我的可能是 0, 2, 2, 1, 2 或者 0, 2, 2, 0, 3。具体怎样，可以根据情况安排，不过有空还是提前多选一些比较好。

个人来看，选修课可以分为三大类（具体这门课如何，可以参考 BIT101 上的评论）——

水，给分高。这类课通常很热门，能否抽到需要看运气。
硬核，给分低，但是能学到真东西。例如金旭亮老师的开发系列课程。
讲的烂，给分还低。这一类没有什么选择的必要。

关于给分

宏观来看，期末考试可能有三种形式——

机考作答，例如 C 语言。这种形式较少，大二全年只有数字逻辑这门课是机考。
答题卡作答，例如大学物理、概率论。这些课程改卷相对公正，老师之间随机批改。
纸质试卷作答，最常见的形式。这类课程有较大的灵活性。

纸质试卷的灵活性就在于，大多数班级的纸质试卷，都是由授课老师亲自批改的。这就意味着有一定的放水空间。然而，不同老师的批改方式可能不完全统一，造成不同班级的考试结果不公平。所以，如果试卷答得很好，但期末成绩并不理想，或者是反过来，都可能有这方面的因素。

关于考试时间

大二开始，许多专业课的考试都会塞满大量的题目，力求覆盖各类知识点。所以，考试的题量相当大，也很有可能做不完（例如离散数学、数值分析、数据库原理与设计等等）。

并且，许多科目网上流传的往年卷都是“难度降低”版本的，实际考试的难度往往更高。建议提前做好思想准备，考场上根据作答情况，灵活调整时间，大胆跳过，避免出现最后时间不够的情况。

关于专业路线

既然各位点进了这个攻略，应该或多或少选择了计算机相关专业。那么，作为相关专业的学生，应该了解专业要学习什么。

在此推荐一下 HackWay 与 CSDIY 上的 CS 学习规划，各位可以参考名校的计算机培养方案，了解计算机的大致学习内容。

接下来的介绍部分利用 Gemini 2.5 Pro 进行润色，AI 生成。本文其他部分都没有用到 LLM。

接下来，我们用一个“盖房子”的比喻，自底向上地看看计算机科学的全景图：

地基：物理与数学

这是什么？一切的起点是物理学的半导体（晶体管）和数学的布尔代代数。它们告诉你如何用“开”和“关”这两个状态（0和1）来构建逻辑。
对应课程：离散数学、数字逻辑电路。
一句话理解：这是制造砖块（逻辑门）和水泥（运算规则）的方法。

框架结构：计算机体系结构

这是什么？有了砖块，我们怎么把它们搭成一个能计算的“毛坯房”？CPU、内存、硬盘这些硬件如何协同工作？指令集（机器码）就是这个房子的“建筑指令”。为了方便人类理解，我们给机器码套上了一层“助记符”，这就是汇编语言。
对应课程：计算机组成原理、汇编语言。
一句话理解：设计房子的承重墙、房梁和水电线路，并规定了最基础的施工口令。

灵魂核心：算法与数据结构（贯穿所有层）

这是什么？这是计算机科学的“内功心法”，是解决问题的通用“方法论”。无论你盖什么房子，都需要高效的组织材料（数据结构）和快速的施工方法（算法）。
对应课程：数据结构、算法导论。
一句话理解：它不是房子的一部分，而是盖房子的蓝图和施工工艺。学好它，你的“建筑水平”才能登堂入室。（这部分至关重要，请务必高度重视！）

内部装修与管理：系统软件

这是什么？毛坯房太难住了，我们需要一个“物业管家”（操作系统）来管理水电（CPU、内存资源），安装“翻译器”（编译器）把我们人类说的高级语言（C++/Java/Python）翻译成机器能懂的“施工口令”。
对应课程：操作系统、编译原理。
一句话理解：从毛坯房到精装房，让房子变得宜居、易用。

对外连接：计算机网络

这是什么？房子盖好了，但不能是孤岛。我们需要修路（网络协议），让我们的房子能和别的房子通信、交换信息。
对应课程：计算机网络。
一句话理解：为你的房子接上互联网，连接世界。

上层应用：入住与生活

这是什么？房子终于可以入住了！你可以在里面做各种各样的事情，这就是我们日常接触到的软件和应用。这也是大家未来最可能从事的领域。
主要方向：
- Web开发：建造各种网站（淘宝、B站），分为“装修”页面的前端和支撑服务的后端。
- 移动开发：开发手机App（微信、抖音）。
- 人工智能/数据科学：训练聪明的“管家”（AI），让它帮你分析数据、识别图像。
- 游戏开发：在房子里建造一个虚拟游乐场。
对应课程：数据库、软件工程、Web开发、机器学习等各类专业选修课。
一句话理解：在精装房里享受生活，并创造出丰富多彩的应用。

了解这个全景图，你会发现，即使你未来只想做“室内设计”（前端开发），懂一点“建筑结构”（计组、OS）也能让你避免设计出奇葩的方案，遇到问题时能更快地定位到是“墙体”还是“装修”的问题。这就是我们常说的“建立知识体系”，它能决定你未来能走多远。

关于自学

了解完上面的计算机学科架构后，便可以根据自己的情况，寻找相关资源进行自学。

自学后，往往能更从容地应对课程内容，也能在学期内留出更多时间做别的事。例如，我大一结束后暑假学完了 CS61B，掌握了基础的数据结构与算法，所以面对大二上的数据结构课更加从容。

另一方面，自学后也能看清课程的重点，同时知道课程的大体框架，知道每一部分的作用。这对于学习来说也是很重要的。

关于缓考

有时，我们总会遇到突发情况——例如考前生病，无法参加考试。对于要保研的同学来说，可能会很担心这一点。

实际上，有缓考的机制存在。只要在考试前提交缓考申请，就可以在下学期再次考试，不会影响你的成绩。

由于我并没有缓考的经验，所以也向一些有缓考经验的同学请教过。特别感谢 Timothy 编写了详细的缓考攻略，请各位参考 Timothy 的博客。

🔧 方法篇补充

我在之前的方法篇里面介绍了总体的想法——效率比时间重要，费脑子的学习行为才是有效的，要积极利用先进设备。这里我针对当下 LLM 发展、以及高效学习工作流进行补充，并提供关于考前突击的一些看法。

LLM 发展

当今时代，LLM 发展迅猛。去年这个时候（24 年 6 月），最强的模型还是 GPT-4o，或者 Claude 3.5 Sonnet。到了 24 年 9 月，OpenAI o1 发布，是第一个具有推理能力（思维链）的模型。此后，25 年 1 月，Deepseek r1 发布，许多人第一次尝试了具有推理能力的模型。

去年，如果你随便截一张作业的图扔给 GPT-4o，往往会得到错误的回答。现如今，截图扔给 Gemini 2.5 Pro，或者其他较强的最新模型（OpenAI o系列、Claude 4系列、Deepseek r1 0528、Doubao 1.6 等等）可以轻松得到高质量回复。这大大拓展了我们的学习能力。对着 PPT 哪里不理解，直接截图去问，或者把整个 PPT 喂过去。鉴于目前许多 LLM 拥有 100k 以上的长文本，同时有思维链与多模态能力，基本上 90% 甚至 99% 的知识点与题目，你都可以直接不懂就问。

高效学习工作流

拥有一个高效的工作流是一个常见的话题，例如 CSDIY 上就有相应介绍。这里我主要针对应试，提供一种可能的方案。

对于应试，较好的学习方案应该达到以下几点：

可以充分利用现有资源，包括书籍、PPT、LLM 的回答等；
可以高效地复习知识点；
可以方便地刷往年题，并进行错题整理。

我下面提供的基于 MarginNote4（后面简称 MN4）的方案便满足了这几点。当然，有的同学更倾向于纸质材料学习，也有的同学没有苹果相关设备，不过下面只是一种可能的方案，供各位参考。各位的方案只要能达到上面那几点，就可以了。

我从大一下开始尝试使用 MN4，整理了一点工科数学分析下的试卷。从大二上开始，除了思政课，我都不怎么买书，直接找电子版传入 MN4。

对于 PPT 或课本中需要记忆的知识点，使用 MN4 的摘录工具形成卡片，每一个卡片正面就是对知识点的提示（例如正态分布的公式是什么），反面是具体知识点，例如：

$$ f(x) = \frac1{\sigma\sqrt{2\pi}}\; e^{-\frac{\left(x-\mu\right)^2}{2\sigma^2} } $$

根据每门课的篇章，可以划分为 4-10 个小部分，每一部分创建一个复习卡组。每个卡片绑定到相应复习卡组中，进入复习模式，便可以用记忆曲线的方式来复习卡片（类似 ANKI）。

绑定后，你可以隔一两周甚至一两个月复习一次，期末周继续发力。鉴于 MN4 对 PDF 的支持很好，可以将各类资源统一转换为 PDF（PPT、课本、试卷等），并且统一进行刷题。例如你可以把往年 10 多届的试卷都导入，用平板刷题。遇到错题，可以轻易地使用摘录工具形成卡片，并绑定到复习卡组。此后连着知识点与错题一起复习。

这种学习方法是比较高效的，至少我用这种方法可以高效地完成应试的工作。不过也有一些要求——因为 MN4 只支持 iOS 与 MacOS，你需要有 iPad 或者 Macbook，同时为了方便写，最好 iPad 买个笔（官方的太贵的，找一个平替即可）。

有条件可以考虑 iPad+Macbook，通过苹果自带的多端复制，可以在 iPad 上复制题目图片，粘贴到 Mac 上问 LLM。或者使用屏幕镜像中的随航，将 iPad 作为 Mac 的副屏使用。

当然，以上说的都是术，并非道。只要你能找到一个高效的工作流，不用过于在意具体的实现方式。上面只是一种可能的方案。

考前突击补充

一些公共课有大量的往年题目（例如概率论、大学物理下），然而对于计算机学院的专业课，能找到一两套的久远的往年题都算不错了。

这种试卷的缺失，在深度学习的角度，可以看成是分布迁移(distribution shift)，也即你的训练集与测试集的分布不同，导致泛化性能很弱。如果你做的都是书上面的题或者作业题，可能就与试卷上的题目相差很大。

方法一

解决分布迁移有很多方法。最核心的还是多找一些真实数据，例如 best of bits 或者 BIT101 上的 CS 仓库整理的资源推荐，上面每一个 repo 都看一看，自己整理得到更多试卷。一些其他的途径，例如 BIT101 网盘、贝塔驿站资料、睿信学指资料、学长学姐、身边其他老师班级的同学等，都尝试一下。

方法二

⚠️下面有一些公式，只是为了好看，不影响全文的阅读。⚠️

解决分布迁移的第二个方法便是使用重要性采样。在概率论中，设随机变量 $x$ 服从某个概率分布，例如 $p(x)$。这里的 $x$ 可以代表考试题目，$p(x)$ 代表考试题目的概率密度（例如有些考试题目常见，有些题目少见）。假设得分函数 $f_\theta(x)$ 是关于 $x$ 的函数，输入是题目，输出我们作答题目的得分，其中 $\theta$ 代表可以通过学习改进的参数（例如我们大脑中的神经元）。我们学习的目标就是最大化考试得分，也就是 $f_\theta(x)$ 的期望：

$$ \theta^* = \mathop{\arg\max}\limits_{\theta}\ \mathbb{E}_{x\sim p(x)}(f_\theta(x)) $$

但是，因为往年题较少，所以 $p(x)$ 难以采样。相反，其他来源的题目容易采样（例如书上课后题等），假设这些训练集的题目的概率分布满足另一个分布 $q(x)$。那么，我们可以根据期望的定义，展开原先的式子：

$$ \mathbb{E}_{x\sim p(x)}(f_\theta(x)) = \int p(x)f_\theta(x)dx $$

接着，我们引入一个 “1”，进行化简：

$$ \mathbb{E}_{x\sim p(x)}(f_\theta(x)) = \int p(x)f_\theta(x)dx = \int \frac{q(x)}{q(x)}p(x)f_\theta(x) dx = \int \frac{p(x)}{q(x)}f_\theta(x)q(x) dx $$

最后，可以根据期望的定义，将 $q(x)$ 与 $dx$ 结合，变成期望：

$$ \mathbb{E}_{x\sim p(x)}(f_\theta(x)) = \int \frac{p(x)}{q(x)}f_\theta(x)q(x) dx = \mathbb{E}_{x\sim q(x)}(\frac{p(x)}{q(x)}f_\theta(x)) $$

在此，我们证明了重要性采样，并且得到了重要性权重—— $\frac{p(x)}{q(x)}$。直观来讲，现在你不需要从原先考试题的分布 $p (x)$ 当中采样，而只需要在平时练习题的 $q (x)$ 采样，并在学习时乘以重要性权重——也就是根据 $\frac{p(x)}{q(x)}$ 进行判断，考试题的分布 $p (x)$ 越多，就越应该注重这个题目。

（其实上面扯了这么多就是想写点公式） 大白话很简单——考试题考得多的地方就是重点，要多看；几乎没考过的地方就少看甚至不看。如果老师靠前发了考纲，那自然不用管考纲上没出现的内容。

方法三

解决分布迁移的第三个方法便是使用仿真数据或合成数据（做具身智能的喜欢叫仿真数据，做 LLM 的喜欢叫合成数据）。这方面我只是做了一点点尝试。

在考数据科学与大数据的数学原理这门课前，我让 LLM 根据课件以及考纲，生成了一些题目。虽然不一定很好吧，但是也可以起到一定的练手作用。除了直接生成题目，你问 LLM 一道题后，让他做一些知识点的拓展与延伸，或者出一些类似题目，也可以算是使用仿真数据。

小结

这三个方法，可以解决不少 分布迁移 的问题。从大模型的角度看，平时学习可以看成是海量的无监督学习（Unsupervised Learning），作业可以看成是有监督的微调（SFT），明确的模拟考试得分可以看成是 RL （这个类比可能不是那么恰当，就当是随便说说吧）。

在无监督学习阶段，可以多补充一些材料，让自己更好理解（例如各类科普视频、科普书、博客、问 LLM 等等）。在有监督的微调阶段，如果试卷没有答案，可以写完后直接让 LLM 帮忙批改（一次不要问太多，3-5 小题或 1-2 个大题比较合适）。在 RL 阶段，完整地做一套试卷，重点是熟悉考试的题量，调整自己的时间安排。

以上，对考前突击做了不少补充。也希望各位也可以多一些自信——即使平时没怎么学，甚至作业还是抄的或者让 ai 写的，也拥有考前一两周学完科目并且考高分的信心。事实上，如果你参加一些竞赛或科研活动，这几乎是唯一的选择。在日后，诸如研究生或职场，也不会有人给你 3-4 个月的时间完整学一个东西，最多用 1-2 周快速了解并熟悉。虽说对当下大学教育的诟病有许多，这种突击能力可能是未来真正会用到的技能吧。

📃大二上课程攻略

互联网应用开发基础训练

如上面所述，今年起这门课与程序设计方法可能合并为了 3 分的一门课。

小学期的课，1 学分。计拔、软工应该都有这门课。计科的好像叫 Web 开发基础，相比起来好像要求更死板。

计拔与软工的这门课比较宽松，最后 3-4 人组队做一个产品。我们小组实现了一个交互式神经网络学习网站，可以拖拽式移动模块（例如 MLP 当中的神经元，CNN 当中的卷积层、池化层、全连接层等），并利用 Tensorflow.js 进行训练。最后高分。

那还是在一年前 AI 不太行的时候，我就用了许多 AI 辅助。如今 AI 写前端相当牛，有什么想法都可以轻松实现了。均分 90.5。

程序设计方法与实践

小学期的课，1 学分。就是刷 30 道算法题，没别的。

想要认真学习算法建议参考下方《数据结构与算法设计》的资料推荐。这门课想要水让 AI 帮忙写就可以。均分 91.2。

数据结构与算法设计

🗯️下一届开始，这门课拆成了 3.5 学分专门的数据结构，整体难度应该有所降低。🗯️

5 学分的存在，注定了这是一门硬课。同时，这也是CS 四大件（数据结构和算法、计算机操作系统、计算机网络、计算机组成原理）之首，重要程度无需多言。

如此重要的科目，自然有数不尽的优质资源。例如 CSDIY 上就有专门一节公开课推荐，其中有 CS61B、Coursera Algorithms、MIT 6.006、MIT 6.046、UCB CS170。我在大一暑假学完了 CS61B，收益颇丰，尤其是 SP21 的 Project2 Gitlet，需要你用 Java 手搓一个简化版 Git，整个项目大概 1000-2000 行。

如果你是搞 acm 的，自然可以多看看 OI Wiki，刷一些洛谷的题。

在求职面试算法题方面，力扣当然少不了，也可以参考代码随想录刷一刷。Hello 算法也是一个入门资源。

在考研 408 方面，可以刷一刷考研题。当时我刷了一些王道数据结构考研题（可以在 Anna’s Archive 上找电子版，也可参考 b站视频），记了很多比较偏的点。但是这个的分布迁移有些大，真正考试的选择题并没有那么难，知识点并不会考得那么全。

虽然有如此多优质资源，BIT 的教学可谓是相当抽象，尤其是乐学上构思一般（甚至不如构思）的题目——从来不标注的数据范围与类型，从来不说明白的题意，从来没有的 starter code，注定了是一个折磨。一方面，这显然不贴近工程中写代码的环境，没能起到类似 CS61a、CS61b 中 project 的作用；另一方面，这也不贴近算法题，因为题干很多东西都不清楚，锻炼的不是你的算法能力，而是揣摩汉字，考虑数不清的 corner cases 的能力。

课程上，我们这一届是数据结构+算法+设计理论。下一届开始这一门课又会分开。为什么我会说又呢？因为据说 4-5 年前这几门课就是分开的。设计理论考得很浅，就是一些定义与背诵，与前两者加在一起比较突兀。

设计理论方面我还看了一半的 《GEB——哥德尔、埃舍尔、巴赫：集异璧之大成》。这本书我初中就因为科普视频接触过，不过看得一知半解，好像看了一半不到。这回重新看，还是感觉写得挺好，也相当有启发性。不过，我看了一半，之后又没看下去😂。

考试上，选择+大题的形式。其中大题占大头（70 分左右），有 6-7 道算法设计题目。部分题目除了描述算法，还需要手写代码，比较恶心。

因为上述提到的分布迁移问题，我没有花时间多做一些算法题，而是过于看重一些选择题的概念，最后喜提大二上考试最低分。不过这属实有点凡尔赛，因为相比均分也挺高的了（均分 76.7）。

大学物理 A II

4 学分，相当硬的课，均分 75.0。包含电磁学与近代物理。考试带计算器。

想要认真学，可以看郭爷（郭芃）在延河课堂上的课。理解方面，也许可以翻一翻 《费曼物理学讲义第二讲》。虽然我高中搞过物理竞赛，不过只会做力学题，电学方面了解不多。翻开费曼物理学讲义，又感受到了物理的一些兴趣 （不过这一届诺贝尔物理学奖颁给 AI，我也何尝不算是在学物理呢） 。工数下的一些工具（散度、旋度、各种线面积分等）还是挺有用的。

刷题方面，课本每章后有习题，可以在辅导手册上找到详细解答。建议刷一刷。往年题也有很多，我好像是刷完了。我记得报名物理竞赛项目有加分，但是我因为较忙，没有参加。MOOC 上记得按时完成。

离散数学

4 学分，这位更是重量级，均分 70.9。我在 BIT101 上已有过详细回答，可以参考。

我们老师的成绩组成如下：

平时作业，乐学提交，不硬性限时，15分。
上机，实际上没去机房，就是乐学上八道编程题，8分。我让 AI 写的。
研究性学习，在考试结束后两周内提交，相当于写一个小论文，7分。我的大作业在如何用大模型水一篇LaTeX论文？中有分享。
期末考试 70分。

几年前，离散的上下合并，从两学期合成为一学期，保留了数理逻辑、集合论、代数系统、图论四章。后两章难度显然更大，但前面也并不轻松。

离散课本是经典的填鸭式教材，两页可以冒出十个甚至九个定义与定理，对概念的直观理解与具体示例较少。为此，我在考前一个月还读了一些书，例如曾经初中翻过一点的《数学女孩》系列，其中有几本与离散数学关系紧密，有对群论的直观讲解。各位感兴趣可以照过来看一看。

群论还可以参考一些视频：史上最好的群论入门-哔哩哔哩

有能力建议看 Youtube，作者之后还上传了一个群论介绍视频： Simplifying problems with isomorphisms, explained — Group Theory Ep. 2

这个系列也不错：高中生就能看懂的群论，如何从对称性构建出群，群论01：什么是群-哔哩哔哩

至于图论部分，我考前一周甚至两三天才开始突击的，较为折磨。概念一大堆，证明题也多。也可以b站搜点视频。

如果你想要考好离散数学，还是需要下不少的功夫。你所找到的离散数学的“考试”卷，与真正的考试难度，拥有巨大的分布迁移，堪比学完1+1后考你微积分。

23级，也就是24-25-1学期，离散数学试卷题型如下：

10 道选择题，每题2分
10 道填空题，每题1分
8道大题，分为6分题与8分题，共60分。

这题量相当恐怖，我在快写完选择题时，发现时间流逝了不少，后面提速，最后也还有题没来得及写。考试时还是强烈建议遇到难题果断跳过。题目是按照章节顺序排列的，而不是难度顺序。虽说实际上最后一题图论证明题确实是最难的，但是第一题等值演算相当恶心，我直接放弃，最后回来根据分类讨论写了个结果。好在老师应该是尽可能给分的，我最后的成绩也相当不错。

概率论与数理统计

经典数学课，3 学分，均分 78.7，考试难度还行。这同时也是考研数学的科目之一（除了高数与线代），所以b站上有一大把视频，资源相当多，想学好不难。

理解方面，可以看《普林斯顿概率论读本》，其中伽马函数可以秒杀一些正态分布的积分题目。适当看一些更高级的内容，对简单题目确实有作用。

应试方面，b站做一些考研题后，往年题十多套基本够用了。可能需要复习一些工数上与工数下的积分计算。考试不让带计算器。

这门课有 MOOC，记得按时完成。

马原

思政课，3 学分。考前可以看一些 b站视频，背一背概念。

如果你本身就对马克思主义感兴趣，那么在理解的情况下，考试多写一写，得分应该挺不错的。这还是我大学以来思政课最高分😊。

数值分析

😱 哎呀，骇死我了！ 😱

这门课 2 学分，但是很恶心。均分 74.0，考试带计算器。BIT101 上课程评价中我写了考前的一个小插曲。

好在这门课提前结课，有较为充足的复习时间。可以先看孙新老师的网课，大概理解每个公式是干什么的，然后带着理解背。

在扩充资料方面，可以参考周华任的《数值分析习题精讲及考研辅导（清华第 5 版）》（Anna’s Archive 上可以找到），这上面许多题目可以参考。往年题比较充足，大概有 10 套左右。实际考试题量更大，需要抓紧时间写。身边许多同学考试没写完。

比较搞人心态的是，你需要为同一个问题，记住多种算法，背多个公式。因为考试会指定一种特定的算法用来求解问题。

建议熟悉一下计算器的使用，我之前写过《CASIO Is All You Need——数值分析计算器使用指南》，发到过 24 级学指群。也可以看这个夸克网盘链接。

物理实验下

1 学分，没有绪论，总共 11 个实验。

这个就不用多说了，想办法找已有的实验报告，然后改数据对着抄。不要为这种区分度很低的 1 学分的课浪费精力👿。（均分 88.6）

📑大二下课程攻略

大二下还是比大二上轻松不少，想要保外并且不是走拿牌子路线的同学，建议想办法进组实习。可以根据自己感兴趣的方向，套磁外校（北京更牛的就是清北中科院吧）或本校的老师。

⚠️注意⚠️：因为现在有些课还没出分，所以未来我可能会进行更新，补充均分等。

数据库原理与设计

3 学分，这学期学分最多的专业课。知识点很多很杂。

其中，前四章还算连贯。但是第五章开始，基本上每一章就是一个独立的话题，互不干扰——优化、安全性、完整性、恢复、并发处理、设计理论等。每一章都有许多要记忆的知识点。

一些知识点可以参考北京理工大学数据库复习总结。不过这个我看得不多，可以做补充作用。我看的主要还是 PPT。

往年题就只有几套，很少。建议使用上方提到的解决分布迁移的一些方法。

多利用 LLM 的力量，每一章的 PPT 都可以输出 PDF 扔进去，然后问一些问题，帮助理解。

期末占比 70%，题型如下：

20 分填空题，一空一分；
10 分判断题，一题一分；
16 分单选题，一题一分；
10+ 分简答题，有四小问，每一问简要解释一个概念；
20+ 分作答题，5 大题，每一题还有小问，设计了许多章节的知识点；
20 分设计题，根据需求，画 E-R 图，转换为关系模型，最后利用 SQL 创建视图与触发器。

题量是相当大的，我身边很多同学没写完。

面向对象技术与方法

2.5 学分，笔试，均分 84.5。经典的陈旧 PPT ，很多就是偏难怪知识点的记忆，并没有起到学习面向对象思想的作用（真正的知识还是建议按国外公开课学习）。

考试题是选择题、程序填空与输出判断、手写代码。

有同学推荐 learncpp ，不过我没看过。C++ 好像 Stanford CS106 也会涉及，不过我也没看过😢。

往年题更是稀少，我看到的只有两三套。不过 PPT 当中已经覆盖了很多偏难怪的点了。

数据科学与大数据技术的数学基础

2 学分，少见的好课程。大数据以及计拔会学这门课。（余老师这学期喉咙有些不太好，所以讲课上比较小声） 不过 PPT 是相当优质的。在当今 AI 发达的时代，很多可以直接问 AI。

30 分平时分是乐学的选择题，5 次，每次 6 道题。70 分是考试分。

随机算法方面，我觉得多问问 AI 就可以解决。谱分解方面，强烈推荐鸢尾花书矩阵力量，里面用相当形象的方式，多视角详细讲解了特征值分解、主成分分析、奇异值分解等等。相信你看完能建立很强的几何直观，回过头来看 PPT 就比较轻松了。如果你入门机器学习，其实整个鸢尾花书系列我都很推荐（虽说我最后的几本书还没怎么看）。

最后一章压缩感知也有点意思。不过我没怎么找补充材料，应试来看 PPT 当中的内容肯定是够用了的。

虽说均分 78.6 看着很低，但老师在群里面说计拔有8位同学卷面满分（共19人）。可能是两级分化比较大吧🤔。

毛中特

3 学分，思政课。

思政课其实套路都差不多，多回答问题，小组展示的时候多讨论一下，积极合作。最后突击看一些视频，考场上用连贯的语言来写（不要仅仅是分点作答，这样老师不喜欢）。

数字逻辑

2 学分，一般般。最后是机考，41 道选择题（我也不知道为什么不是更整的 40 道题）。比较逆天的是，机考无法回头，做一道题过一道。如果后面有题启发了你，你会意识到前面有题目做错，但自己无法修改，这种感觉很痛苦 （太↑痛↑苦↓了→，太↑痛↑苦↓了！😭）。

强烈推荐 Steam 上的游戏图灵完备。就算买的时候不打折，我认为 70rmb 是相当值的。为了应对数字逻辑这门课，玩到图灵完备成就肯定就足够了。后面还有汇编部分，我也还没玩。（看一眼小黑盒，上次打折是今年 6 月 1 日到 15 日，通常一年多才打折一次。不过不打折就多花 20r，推荐直接入手）

比较恶心的是，作业题布置的是 2-4 章，没有第五章作业，给你一种第五章不重要的错觉。实际上，期末考试第五章题还不少，可能占到 1/5 左右。这部分一定要多看。

可以参考北京理工大学数字逻辑期末考试复习，这个网站整理得相当好，也有许多题目，方便边看边做。（避免出现 “全是字，一道例题也没有” 的情况）

往年题就只有一两套，好像是疫情期间机考有人截图流传下来的。我个人感觉这一届实际难度是变高了不少的，有些题目是“升级版”。

课程还需要小组实验拿板子，跑代码。我是一个人直接用 LLM 完成的（在 Cursor 当中）。源代码很方便用 Cursor 编辑，具体编译以及上板都是用 Vivado 实现的。（还是先要在 Vivado 中创建文件，然后才在 Cursor 中编辑，不然无法识别）

🎉尾声

到现在差不多纯字数有 10000 多，算上字符有 16000 了。

也希望上述整理可以或多或少帮到一些人吧。相信大部分看到这里的同学，要么是即将大二，要么是即将大三。如果有机会，你也许也可以向学弟学妹分享一些心得🤩。毕竟我可能只是站在很优秀的角度去看，看起来没有踩那么多的坑。

未来有时间也许也会整理一些科研入门教程等，不过估计这个暑假挺忙的）随缘吧。

最后，真诚感谢 Frozen heart、JyYeah、ListenSnow、Lucien、NoMad、Omnipotent、Quan、Reina、Spranty、酸菜不吃鱼、Timothy 等同学的帮助！（首字母排序，不分先后）

正是有了你们对本文的大力支持，并提出了许多有意义的建议，我才能不断完善内容。正文也从一开始 6000 多字，扩充到了 10000 字。

同时，也感谢所有曾经在专业选择上或其他地方帮助过我的学长学姐，让我逐渐看清方向，并不断前行！