在数字技术深度渗透各领域的当下，AI如何打破学科壁垒、推动知识融会与实践创新成为行业关注焦点。11月20日，中国人民大学朝乐门教授做客泰山大讲堂，于2教名师报告厅分享《人机共生：AI驱动型跨专业知识融会与创新实践》名师课堂选修系列课程，通过商业场景实例拆解AI应用逻辑，清晰阐释跨学科与AI融合的核心方法与实践价值。

朝乐门｜中国人民大学教授

《人机共生：AI驱动型跨专业知识融合与创新实践》

      讲座伊始，朝教授以贴近产业实际的场景为切入点，系统梳理AI模型训练与解释的全流程，让跨专业AI应用逻辑具象化。该流程涵盖六大关键环节：一是读入数据，完成基础数据素材的收集整合；二是数据理解，挖掘数据核心特征与潜在关联；三是数据准备，重点做好特征矩阵与目标向量的规范化构建；四是模型拟合或训练，依托算法实现数据规律的深度捕捉；五是模型预测，借助训练成熟的模型输出决策参考结果；六是模型评价，验证模型适配性与应用价值。让同学们在讲座中明晰AI模型与学科融合的发展方向，汲取学习力量。

      针对回归方程这一常用AI分析工具，朝教授进一步拆解其核心协作逻辑，明确人机分工边界：第一步由人工主导，负责提供X（自变量）、y（因变量）等基础数据与对应分析方法，搭建模型应用基础；第二步由计算机完成模型拟合与参数估计，高效处理复杂数据计算；最后一步回归人工判断，通过R²、MSE等指标评价模型参数估计优度，确保分析结果精准可用。同学们纷纷点头，从朝教授简洁的表达中认识到计算机模型的乐趣。

      面对AI建模中常见的线性问题，朝教授紧接着提出了四大实用处理方法：一是增加样本量，有效降低多重共线问题对分析结果的影响；二是开展特征提取或生成，采用主成分回归（PCR）优化数据特征；三是删除相关性高的自变量，借助Ridge回归、Lasso回归等方法精简数据维度；四是运用正则化方法，通过计算相关系数矩阵并设定阈值优化模型构建。这四大处理方法为跨专业实践扫清技术障碍，方便人们的生活。

      “AI可以降低做事的难度，但并没有降低对基本功的要求。”朝教授在分享中着重强调，AI是跨专业知识融合与实践创新的重要工具，能大幅提升数据处理效率，简化复杂问题解决流程，但扎实的专业基础、数据认知能力仍是用好AI的核心前提。同时，可解释性机器学习作为人机共生的关键支撑，能打破AI“黑箱”局限，让模型决策逻辑更透明，既保障跨专业应用的合理性，也为知识创新与方法迭代提供清晰方向。

      朝教授此次分享以理论结合实践的方式，为同学们厘清了AI与跨专业知识融合的核心逻辑与落地路径，让同学们认识到传递了“人机协同、深耕基础、创新实践”的发展理念，同学们纷纷表示，今后将把活动感悟转化为实际行动，合理规划网络使用，解码AI驱动下的跨专业知识融合与创新实践，成就更好的自我！

供稿：名师课堂办公室