0）斯坦福式教学运行规则（全专业统一）
学期制
- 一年3个Quarter：秋（Autumn）/ 冬（Winter）/ 春（Spring）
- 每个Quarter 10周：W1--W10
- 建议负荷 ：每季度 3门硬课 + 1门写作/研讨/实践课（避免4门硬课爆炸）
每门课的固定节奏（你要的"上课+作业+课后作业+开卷考试"）
- 上课（Lecture）：MWF 50min 或 Tue/Thu 80min
- 讨论课（Section）：每周1次（TA带，做题/讲作业/补基础）
- 实验/编程Lab（CS/数据课必配）：每周1次（1--2h）
- 课堂作业（In-class） ：
- 5--10分钟小测 / 课堂推导填空 / 快速代码题（占比低但强制督学）
- 课后作业（Problem Set / Programming Assignment） ：
- 每周1次，固定周四/周日截止
- 数学课：题集（证明/计算/建模）
- CS课：编程作业（自动评测）
- 统计/ML课：Notebook + 1页结论报告
- 开卷考试（Open-book / Open-notes） ：
- 期中：W5（80--120min）
- 期末：W10（2--3h）
- 开卷但无网（或仅允许课程讲义PDF），考"建模与推理"，不考死记
斯坦福味道的关键：每周节奏稳定 + 作业驱动学习 + 考试验证核心能力。
1）每周"学生时间表"模板（所有Quarter通用）
你可以把它理解成"斯坦福式时间盒"。
- 周一/三/五：上午讲课（数学/CS/统计各一门）
- 周二/四：讨论课 + Lab + Office Hour
- 周末：完成PS/编程/报告 + 预习下周
一个典型周（示例）：
- Mon/Wed/Fri：09:00--09:50 课A；10:00--10:50 课B；14:00--14:50 课C
- Tue：10:00--10:50 Section（课A）；15:00--17:00 Lab（课B）
- Thu：10:00--10:50 Section（课C）；19:00--21:00 作业时间块
- Sun：14:00--18:00 周作业收尾 + 下周预习
2）大一到大四课表（按Quarter列出）
下面每个Quarter都按"3硬课 + 1写作/研讨/实践"安排；你可按校内条件替换课程名，但结构别变。
大一：数学与编程地基（让学生能写、能算、能解释）
大一秋（A1）
- 微积分 I（单变量）
- 上课：MWF Lecture + 1 Section
- 课堂作业：每周2次2分钟小测
- 课后作业：每周PS（8--10题）
- 开卷考试：W5/W10（重概念：极限、导数、近似、优化直觉）
- 线性代数 I（向量/矩阵/线性变换）
- 上课：MWF + Section
- 课后作业：每周PS（计算+几何解释）
- 开卷考试：强调"线性变换解释数据"的能力
- Python编程（CS入门）
- 上课：Tue/Thu Lecture + 每周Lab
- 课堂作业：短代码题
- 课后作业：每周1个编程作业（自动评测）
- 开卷考试：W5/W10（现场写代码+读代码）
- 大学写作/表达（写作与沟通）
- 每周写作任务（短文/技术说明书）
大一冬（W1）
- 微积分 II（积分与级数直觉）
- 离散数学（逻辑、集合、计数、图基础）
- 程序设计进阶：抽象与数据结构入门（C++或Python）
- 研讨：AI时代的数学与社会（含学术诚信/伦理）
- 开卷考试重点：把离散结构用于建模（图、递归、计数）
大一春（S1）
- 多元微积分/向量分析（梯度、雅可比、约束优化直觉）
- 概率论 I（随机变量、常用分布、期望方差、条件概率）
- 数据结构（正式版）：数组/链表/栈队列/树/哈希/图基础
- 写作 II：技术写作与可视化表达
大二：统计推断 + 算法能力 + 数据工程（就业的硬通货）
大二秋（A2）
- 数理统计 I（估计、置信区间、假设检验核心思想）
- 算法设计与分析 I（分治、排序、哈希、复杂度）
- 数据库与SQL（MySQL）（含数据建模、查询、索引直觉）
- 实践：数据分析小项目（每周提交一次小报告）
大二冬（W2）
- 回归与广义线性模型（线性回归/Logistic/正则化直觉）
- 算法设计与分析 II（动态规划、贪心、图算法）
- 统计计算与可视化（R + ggplot2）
- 研讨：面试与工程写作（简历/项目说明/代码规范）
大二春（S2）
- 实验设计与A/B测试（功效、样本量、指标体系、陷阱）
- 数值方法/优化基础（梯度法、约束优化、凸直觉）
- 软件工程基础（版本管理、测试、工程化、协作）
- 项目：端到端数据产品（SQL→ETL→建模→可视化）
- 开卷考试：考"把统计推断落到决策"的能力，而不是推公式
大三：机器学习主线 + 深度学习 + 概率图（与大模型时代接轨）
大三秋（A3）
- 机器学习 I（监督学习+评估+误差分析）
- 每周：Notebook作业 + 1页"误差分析报告"
- 期中/期末开卷：给数据→选指标→做诊断→提出改进路线
- 特征工程与数据建模（表示、泄漏、漂移、不平衡）
- 概率与统计推断 II（贝叶斯视角、信息论直觉）
- 实验室轮转/读书会（每周论文摘要）
大三冬（W3）
- 机器学习 II（树模型/集成/无监督/降维）
- 深度学习 I（训练循环、正则化、CNN/RNN/注意力基础）
- 系统与性能（并发、缓存、服务化、监控）
- 项目：从0到1做一个可用的模型服务（API + 评估 + 监控）
大三春（S3）
- 深度学习 II（Transformer核心、对齐/微调、生成模型概念）
- 概率图模型（贝叶斯网、HMM/CRF、推断的"思想"）
- 工程化数据科学（Python工程化、可复现、实验管理）
- 实习准备/面试课（算法题 + ML系统题 + 项目答辩）
- 开卷考试：重点考"你能不能讲清模型为什么这样设计、怎么验证"
大四：大模型与多模态 + 系统架构 + 毕业设计（对标招聘）
大四秋（A4）
- 多模态与大模型专题（LLM/多模态对齐/评测/安全）
- 作业：每两周一次"复现/微调/评测"小任务
- 开卷考试：读一段模型卡/评测表→指出风险与改进
- 分布式与MLOps（数据版本/模型版本/部署/回滚）
- 系统架构（质量属性、架构风格、云原生、可靠性）
- Capstone项目 I（团队）：定义问题→基线→评估体系→demo
大四冬（W4）
- AI产品化与决策（指标、实验、因果、伦理合规）
- 高级选修（任选一门）
- 推荐方向：推荐系统/时间序列/强化学习/隐私计算/图机器学习
- 系统设计面试训练（白板系统题 + 性能权衡）
- Capstone项目 II：上线型项目（可跑、可测、可监控）
大四春（S4）
- 毕业设计/论文（个人）
- 要求：论文 + 可运行代码 + 复现实验 + 公开报告
- 开源工程/科研写作（写论文、写技术文档、写复现报告）
- 职业发展（面试/谈薪/项目展示）
- 综合答辩（Open-book defense）：带材料答辩，考"理解深度"
3）每门课的"斯坦福式评分模板"（统一好管理）
建议全校统一，让学生形成预期：
- 课堂作业/小测：10%
- 每周Problem Set / 编程作业：35%
- 项目（若有）：25%
- 期中开卷：15%（W5）
- 期末开卷：15%（W10）
迟交机制（Stanford风）：每人每学期有 4--6 个 "late days"，用完后按天扣分。