计算机科学专题——贝叶斯思维与跨领域AI推理系统构建——如何让机器“举一反三”并做出高质量决策?

　　开课时间：2026-05-09

　　6周线上直播+6周论文辅导+6次产学研导师课

　　难度★★☆☆☆

　　10封教授网申推荐信+1篇英文会议论文辅导(EI/CPCI/Scopus等数据库的稳定检索)+产学研方案

　　导师介绍

　　A.R.

　　牛津大学计算机学院正教授

　　圣安妮学院导师

　　计算机科学系副教研主任

　　计算网络物理系统研究组成员

　　自主智能机器与系统博士培训中心联合主任(Co-Director,AIMS CDT)

　　斩获人工智能领域的前沿论文奖“Artificial IntelligenceJoumal Prominent Paper Award"

　　产学研导师

　　计算机领域顶尖技术专家

　　毕业于清华大学软件学院，某世界500强企业执行总监

　　行业技术顶会出品人、专家讲师

　　17项国家发明专利第一发明人

　　曾任阿里达摩院人工智能训练师(高级)，AWS云计算架构师

　　课程简介

　　概率论是计算机理解和应对不确定性的核心工具。在日常生活中，我们常常面临”不确定”的情况，比如预测天气、检测传感器误差、判断疾病是否存在，甚至是推荐系统给出下一首歌。在这些场景中，数据往往是不完整的、有噪声的，无法直接得出结论。概率机器学习正是通过数学方法，帮助计算机从这样的数据中提取可靠的信息。

　　过去，想要使用这类方法往往需要非常深厚的数学和编程能力，但随着PyMC这样的工具出现，越来越多的人可以以更简单的方式掌握这一强大的技术。这门课正是帮助学生从零开始学习概率机器学习，并掌握其在科学研究、智能硬件、能源管理等真实场景中的实际应用。

　　本课程从概率论基础(如条件概率、贝叶斯定理)入手，逐步引|导学生理解贝叶斯推理、常见的概率分布、共轭先验等关键概念;随后介绍如何使用Markov Chain Monte Carlo(MCMO)方法求解模型，并深入学习 Python 中的 probabilistic programming工具 PyMC，最终使学生具备独立构建并求解概率模型的能力。

　　课程还将结合真实世界的数据问题进行实践，如：科学数据分析、机器人系统中对环境的感知，以及智能家居系统的能耗分析等。

　　课程要点

　　贝叶斯推理的数学基础(例共轭先验的理解)

　　MCMC抽样算法的直觉与实现

　　将现实问题建模成概率模型的过程(建模能力)

　　学术写作与技术表达(使用LaTeX/Overleaf进行报告撰写)

　　PyMC 编程语法与调试技巧

　　适用学生

　　适用于对计算机科学、数据科学、统计学、应用数学、人工智能等专业感兴趣的学生

　　计划申请海外名校，需要提升申请竞争力的学生

　　对高含金量的学术推荐信有需求的学生

　　希望提前了解意向专业，或转专业申请缺乏相关研究经历的学生

　　希望提前适应国外教学方式，提升学习能力的学生

　　师资配置

　　Foreign Professor海外名校教授主讲，倾力传授领域前沿知识与先进研究方法

　　Industry-Academic Mentor邀请来自内地及海外知名企业、研究机构的专业导师，结合产业真实案例，助力学生理解科研在实践中的价值与落地路径，拓宽职业视野，提升项目实战力

　　Teaching Assistant优秀海内外博士助教，直播课程进行学术答疑及并对知识点进行补充讲解

　　Writing Instructor论文1V1指导，针对性解决论文写作过程中的问题，专人指导选会、投稿、发表全流程

　　Student Coordinator项目全程贴心服务，令学习之旅无忧无虑

　　项目收获

　　18周课程：6周顶尖名校教授课+6周经典论文教学+6周产学研导师授课的上课体验

　　技能学习：熟练掌握论文框架、技巧、相关知识等内容

　　推荐信：10封顶尖名校教授ReferenceLetter

　　论文投稿：EI/CPCI/Scopus/EBSCO或同等级别国际会议全文投递与发表指导

　　课程证明：来自顶尖名校教授签发的项目证明