QBUS6810 26S1｜65%的分数禁止AI 但30%的项目鼓励你用——这个矛盾才是课程设计的核心
📝 入场门槛比你想象的高
QBUS6810 的前置要求写得很明确：QBUS5001 或 ECMT5001（统计基础），加上 BUSS6002 或 COMP5310 且拿到 65 分以上（编程基础）。不是"或"，是"且"。统计和编程两条腿缺一不可。
65 分这个门槛卡掉了相当一部分人。BUSS6002 作为商学院的编程入门课，平均分大概在 65-70 之间，也就是说差不多有三分之一到一半的 BUSS6002 学生连选这门课的资格都没有。能坐在 QBUS6810 教室里的人，编程能力至少是 BUSS6002 的中上水平。
但即便如此，Week 1 的 Tutorial 就直接让你跑 ML 模型了。没有 Python 复习环节，没有 Jupyter Notebook 入门指南。课程默认你已经能独立写代码、处理数据、跑回归。如果你的 65 分是靠期末突击拿的，开学第一周就会感受到压力。
💡 AI 政策的分裂设计说明了一切
这门课的 AI 政策不是简单的"允许"或"禁止"，而是一个精心设计的分裂结构：
| 考核 | AI 政策 | 占比 | 考察重点 |
|---|---|---|---|
| Engagement | ✅ 允许 | 5% | 课堂参与 |
| Group Project | ✅ 允许 | 30% | 用 Python 做数据分析，写报告 |
| Mid-sem Exam | ❌ 禁止 | 20% | 理论理解（闭卷） |
| Final Exam | ❌ 禁止 | 45% | 全范围理论（闭卷） |
允许 AI 的部分（35%）全是"做"：做项目、写代码、跑模型。禁止 AI 的部分（65%）全是"懂"：解释原理、对比方法、推导结论。
这个设计在说：我知道你做项目会用 ChatGPT 帮你写代码，没关系，但我要确保你理解代码背后的统计原理。Group Project 允许 AI 不是因为老师心大，是因为 Final 那 45% 会兜底——你用 AI 写的 XGBoost 代码，Final 会问你 Boosting 的损失函数为什么用梯度下降来优化。
🎬 13 周的内容排布像一条单行道
| 周次 | 内容 | 你的感受（如果有 QBUS5001 基础） |
|---|---|---|
| 1-2 | ML 入门、Workflow、Regression | "这不是 5001 讲过的吗" |
| 3-4 | Feature Engineering、Classification | "换了个 Python 库，逻辑差不多" |
| 5-6 | Overfitting、Regularisation | "Cross-validation 又来了" |
| 7 | ML 系统诊断 + Mid-sem | "考试不难，但用词不一样" |
| 8 | Nonlinear Modelling | "等一下，这个没见过" |
| 9 | Decision Trees + Random Forests | "一周塞两个模型？" |
| 10 | Gradient Boosting | "XGBoost 参数也太多了" |
| 11-12 | 优化理论、训练动态 | "突然开始推公式了" |
| 13 | Neural Networks + 项目截止 | "最后一周教 NN 然后项目就交？" |
Week 1-7 像复习，Week 8 开始像新课。这个节奏的问题是：当你意识到"这门课不只是 QBUS5001 升级版"的时候，已经到了学期的后半段。
Week 9-10 教的 Decision Trees、Random Forests、Gradient Boosting 是 Group Project 的核心建模工具。但 Week 13 项目就截止了，中间只有三周时间让你从"刚学会"到"能用在项目里"。而这三周里 Week 11-12 还在教新的理论内容（优化和训练动态），你的注意力会被 Lecture 和 Project 同时拉扯。
💰 Final 45% 的隐藏逻辑
Final 占 45%，2小时，覆盖13周全部内容。没有 Hurdle（不及格线），但这个权重意味着：
- Mid-sem 20% + Engagement 5% + Project 30% = 55%，你在 Final 前最多拿 55 分
- 如果前面全拿满（不现实），Final 考 0 分你还有 55——刚好过
- 但如果你 Project 拿了 20/30、Mid-sem 拿了 14/20、Engagement 拿了 4/5，你进 Final 只有 38 分
- 你需要在 Final 里拿 至少 27/45（60%） 才能及格
Final 没有 Hurdle 不代表你可以放。45% 的权重在没有 Hurdle 的情况下反而更危险——因为你没有一个明确的"最低线"来给自己施压，很容易在 Project 截止后放松，结果 Final 准备不充分。
而且 Final 禁止 AI，2小时要覆盖13周内容。后半学期的模型对比题（"Random Forest 和 Gradient Boosting 在什么场景下各有优势"）、优化理论推导题（Week 11-12 内容），这些不是靠做过 Project 就能答的，需要系统复习。
⚠️ 这门课的真正定位：统计学习的工程化
回到课名——Machine Learning for Business。关键词不是 Machine Learning，是 Business。这门课不会教你从零推导 Backpropagation，但会教你在面对一个业务问题时，怎么选模型、怎么评估、怎么解释给非技术人员听。
主教材 ISLR 的全名是 "Introduction to Statistical Learning"——注意，不是 Machine Learning。这门课本质上是用 ML 的包装讲统计学习的方法论，目标受众是将来要跟数据团队合作的商科人，不是要自己写算法的工程师。
理解这个定位很重要，因为它决定了你复习 Final 的策略：不要死记模型公式，要理解每个模型的适用场景和局限性。 考试不会让你手推 Gradient Descent，但一定会问你"在什么情况下 Lasso 比 Ridge 更适合"以及"为什么 Random Forest 通常不需要调太多超参数"。
