人工智能专题：不确定性时代的AI决策思维—用概率建模与智能算法提升“机器判断力”

　　开课时间：2026-10-17

　　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+1封产学研导师推荐信+产学研方案+国际NGO岗位实习内推机会

　　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 IntelligenceJourmal Prominent Paper Award"

　　产学研导师

　　计算机领域顶尖技术专家

　　·前阿里达摩院高级人工智能训练师

　　·深耕AI大模型、机器学习、智能数据分析等多个核心板块

　　·多次在国际技术顶会分享AI赋能各行业的核心成果与实践方法论

　　·精通数据科学建模、AI算法落地、行业场景AI赋能等关键能力

　　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(MCMC) 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(例如共轭先验的理解)

　　·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

　　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

　　·产学研项目证明及推荐信：由香港学术交流及创新中心*官方背书的项目证明，及1封PDF名企产学研导师签发的推荐信

　　·*香港学术交流及创新中心(HKREIC)由香港城市大学教授发起，香港大学、香港科技大学、香港中文大学教授参与，国家及地方政府相关产学研基金、北京大学创业训练营、中国科学院人才交流开发中心等多家顶尖学术机构联合参与，定位为融合政府、学术界、产业界与非营利机构的跨界协作平台。由该平台背书的证书具有较高的权威性和辨识度，在学生后续的推免综合评价中作为科研创新成果认定时，也更具说服力，相较于普通课程证书含金量更高