撰写苏黎世联邦理工大学（ETH Zurich）的课程描述时，需结合学术严谨性与清晰的结构，突出课程的核心内容、学习目标和评估方式。以下是分步骤的写作建议：
1. 课程基本信息
标题与代码：明确课程名称（如“Advanced Quantum Mechanics”）及官方课程代码（如“PHY-402”）。
学分与学时：注明ECTS学分（通常3-6分）和每周课时（如“2小时讲座+1小时研讨”）。
授课语言：标明英语/德语等教学语言。
2. 课程目标（Learning Objectives）
用3-5条简洁陈述学生需掌握的能力或知识，例如：
理解量子场论的基本数学框架；
独立分析复杂量子系统的动力学行为；
通过数值模拟解决实际物理问题。
3. 课程内容（Content Outline）
模块化结构：按主题分块（如“Part 1: Foundations”），每部分列出核心知识点。
方法论：注明是否包含实验、编程（如Python/MATLAB）、文献研讨等。
案例：ETH课程常强调应用，可提及具体案例（如“纳米材料能带计算”）。
4. 教学与评估方式（Teaching & Assessment）
授课形式：讲座（Lecture）、练习课（Exercise）、实验（Lab）等。
考核细节：
期末考试（占比50%）；
每周作业（20%）；
小组项目报告（30%）。
先修要求：列出必要基础（如“线性代数、量子力学入门”）。
5. 特色与资源（ETH专属亮点）
跨学科性：若涉及多个系所（如计算机+生物），需强调协作。
实践联系：ETH注重产学研结合，可提及企业合作或实验室资源。
推荐文献：附1-2本经典教材（如ETH教授编写的专著）。
示例模板（英文）
markdown
复制
**Course Title:** Machine Learning for Engineers (CS-433)
**Credits:** 6 ECTS | **Language:** English
**Objectives:**- Design ML models for industrial datasets.
- Implement algorithms using PyTorch.
- Critically evaluate model performance.
**Content:**- Supervised Learning (SVMs, Neural Networks)
- Unsupervised Techniques (Clustering, PCA)
- ETH Case Study: Robotics Motion Prediction
**Assessment:**- Midterm exam (40%)
- Kaggle-style group project (60%)
**Prerequisites:** Linear Algebra, Python programming.
注意事项
简洁性：ETH
AI