机器学习
统计学习、概率建模、特征准备、模型比较，以及对假设和限制的谨慎解释。
关于
兼顾研究严谨性与工程交付。
我在谢菲尔德大学接受人工智能和计算机科学训练，兴趣涵盖机器学习、自然语言处理、数据分析、可扩展计算和软件开发。我重视清晰的问题定义、透明假设、可靠评估、可复现实现，以及能够区分事实、证据与个人解释的技术沟通。
AI + CS跨方向学术训练
构建 + 测试从需求到评估
说明限制证据、不确定性和负责任使用
核心技能
查看所有课程以课程和已完成项目为依据。
语言技术
文本预处理、语料库处理、量化分析、语言表示及 NLP 方法评估。
数据科学
基于 Python 的分析、数据清洗、统计方法、方法选择和可复现结果解释。
可扩展计算
并行化、GPU 概念、随机优化、大规模处理、Spark 与集群计算原则。
软件工程
Java、Web 和移动开发、系统设计、安全、测试、文档与模块化架构。
研究工程
文献综合、实验设计、验证规划、数据偏差意识，以及明确报告结果可以与不可以支持的结论。
教育经历
查看本科学位证学术背景。
人工智能理学硕士
谢菲尔德大学 · 2025–2026 · 在读
相关领域：机器学习、自然语言处理、数据科学、可扩展计算、GPU 计算、团队开发与职业伦理。
人工智能与计算机科学理学学士
谢菲尔德大学 · 2021–2025 · 已完成
相关领域：编程、算法、人工智能基础、机器人、数据驱动计算、安全、分布式系统、计算建模和应用项目。
研究兴趣
查看研究兴趣从预测性能走向可辩护的证据。
机理模型 + 数据驱动模型
在结构和测量约束重要的场景中，结合仿真、个体建模和机器学习。
分布变化下的验证
个体级划分、外部数据、校准、敏感性分析和透明失败模式。
负责任决策支持
能够表达不确定性、尊重隐私，并严格受已有证据边界约束的系统。
联系
欢迎讨论研究、软件开发或博士学习。
专业和学术沟通请使用我的谢菲尔德大学邮箱。