为促进国内各高校优秀大学生之间的交流，西南财经大学统计研究中心邀请了来自University of California Santa Barbara 、University of California lrvine 、 University of California Los Angeles、University of Pennsylvania、Chinese University of HongKong的6位国际知名统计学教授前来授课，欢迎校内外师生参加。

教学内容1：统计学中的深度学习(7.14)

   本课程面向尚不熟悉机器学习与深度学习的学员，旨在为希望在科研商业或职业发展中应用这些技术的学者与专业人士提供入门指引。

   课程将概述统计机器学习与深度学习的基本方法，内容包括深度神经网络、深度学习的计算算法与软件工具，以及其在多个领域中的实际应用。课程旨在帮助参与者建立深度学习理论与实践的初步理解，并探索其在统计学及相关领域中的潜力。

教学内容2：贝叶斯机器学习(7.15-16)

   本课程将以现代视角介绍贝叶斯机器学习，重点探讨贝叶斯非参数方法的灵活性与表达能力。内容包括贝叶斯推断、高斯过程(Gaussian Processes)、狄利克雷过程(DirichletProcesses)、树方法(Tree-basedMethods)及其他扩展方法。课程将分析这些方法的理论性质与计算特性，并探过其在统计学与机器学习中的实际应用，帮助学生堂握利用贝叶斯框架解决复杂问题的能力。

教学内容3：强化学习(7.18-19)

   强化学习(ReinforcementLearning,RL)使机器能在动态与不确定环境中进行智能决策、基于经验学习并持续优化行为。从个性化推荐系统到自动驾驶汽车应对复杂交通情境，强化学习在多个前沿应用中发挥关键作用。

   课程将系统介绍强化学习的基础理论与方法，包括时间差分学习(TemporalDifference Learning)、0学习(0-earning)及第略梯度方法(Policy GradientMethods)，并兼顾其计算实现与理论性质，帮助学生理解其在现实问题中的应用潜力与挑战。

教学内容4.经济学与机器学习(7.19-20)

   信息技术的迅猛发展加深了人类与智能系统之间的互动，数据驱动的推断与决策过程日益涉及多个具有自利行为的参与者。融合经济学与信息论理念--可追溯至 John von Neumann 与 David Blackwell的奠基性工作--重新成为解决当代科学与工程问题的重要理论工具。

   本课程将介绍机器学习、博弈论与经济理论交叉领域的核心思想，从基础原理到现代算法工具，重点关注策略性行为与信息不完全条件下的应用。通过理论讲解与案例分析，帮助学生建模并解决激励机制、市场设计及智能决策等现实问题。

教学内容5.大语言模型的统计基础(7.21-22)

   当前人工智能的发展呈现出鲜明对比:一方面，大型语言模型(LLMS)作为高度强大的系统，其发展主要依赖经验性实验，尚缺乏系统的统计理论指导;另一方面，现有对人工智能模型的理论分析多集中于过于简化的机制，如Tansformer中的单层注意力模型，虽有助于局部理解，但难以揭示系统的整体复杂性。本课程指出，这种理论与实践之间的脱节，可能源于现有数学理论尚不足以有效刻画此类极其复杂的系统。在更为完备的数学理论尚未形成之前，我们倡导构建服务于实际应用的大型语言模型的统计基础。与其深入研究模型内部机制，不如在结构性假设下将LLMS视为“黑箱”系统进行分析。基于此思路，课程将探讨LLMS中的若干关键问题，包括水印技术、对齐问题、模型评估与公平性等，重点展示统计推断在无需大量实验的情况下，如何促进模型性能的实质性改变。

   本课程面向对理论有兴趣，且希望超越纯经验方法参与人工智能研究的学生。课程不要求具备LLMs的实验实现经验。

教学内容6.网络数据分析(7.23-24)

   网络结构在多个科学领域中广泛存在，如脑连接研究、基因相互作用、蛋白质互作、疾病传播及社交网络等。

   本课程将介绍网络数据分析的基本概念、统计模型与算法，内容涵盖从理论到实践，强调模型构建、理论分析与实际应用的结合。通过本课程，参与者将掌握处理与分析网络型数据的主要方法，理解其在生物医学、社会科学与信息技术等领域中的广泛价值。

授课教师(按授课顺序排序)：

Annie Qu(加州大学圣塔芭芭拉分校)

   Annie Qu,加州大学圣塔芭芭拉分校教授。其研究致力于结构化与非结构化大规模数据的建模，发展面向个性化医疗、文本挖掘、推荐系统、医学影像分析与异质复杂网络数据的统计学习方法与理论。

沈韡凝(加州大学尔湾分校)

   Weining Shen,如州大学尔湾分校统计系副教授，研究兴趣包括贝叶斯方法、机器学习、高维统计模型及大型语言模型。

朱裕华(加州大学洛杉矶分校)

  Yuhua Zhu,如州大学洛杉矶分校统计与数据科学系助理教授。其研究致力于弥合偏微分方程与机器学习之间的理论鸿沟，主要方向包括强化学习、随机优化与不确定性量化。

戴晓武(加州大学洛杉矶分校)

   Xiaowu Dai,加州大学洛杉矶分校统计与数据科学系及生物统计系助理教授。其研究致力于发展统计理论与方法，以应对现实问题中涉及计算、推断与经济机制等多方面考量的挑战。

苏炜杰(宾夕法尼亚大学沃顿商学院)

  Weiie Su,宾夕法尼亚大学沃顿商学院统计与数据科学系副教授，并在该校计算机与信息科学系及数学系兼任职务。他是宾大机器学习研究中心(PennResearch in Machine Learning.PRiML)联合主任。其研究方向包括生成式人工智能的统计基础、隐私保护的机器学习、高维统计与优化理论。

王军辉(香港中文大学)

  Junhui Wang,香港中文大学统计系教授兼系主任。其研究方向涵盖统计机器学习及其在生物医学、经济学、金融与信息技术等领域的应用。

行课安排

   时间:上午:9:25-12:00 下午:13:55-16:30

   地点:西南财经大学柳林校区(具体教室地点后续通知)

授课对象：本课程针对高年级本科生、硕/博士研究生、青年老师等开设，本次活动不收取任何费用，名额有限，报名从速。

报名方式:通过下方二维码填写报名表。

报名时间:本班即日开始接受报名，于2025年6月30日下午17:00截止报名。若有疑问，请联系杨老师，电话:028-87092330。

西南财经大学统计研究中心

西南财经大学统计与数据科学学院

国家天元数学西南中心

中国现场统计研究会数据科学与人工智能分会

2025年6月1日