导师与项目负责人
Pin（Campion）Qian
Meta 机器学习工程师（Machine Learning Engineer）
- 卡内基梅隆大学人工智能工程硕士
- 专注 AI 系统、大语言模型与数据工程
- 拥有推荐与排序系统、分布式数据管道和多模态模型经验
- 曾参与腾讯游戏 AI 研究与强化学习相关项目
Campion 的经验横跨数据基础设施、机器学习模型与产品工程。他将重点指导学生如何把宽泛的 AI 想法变成可执行问题，建立清晰的数据流程，选择和评估模型，并理解一个技术结果怎样进入真实产品系统。
项目的四个核心特点
不是只调用一个现成模型，而是理解 AI 系统从数据到产品是怎样运转的。
现任机器学习工程师指导
学生将在拥有大规模数据系统、推荐与排序、LLM 和产品工程经验的导师指导下，理解真实 AI 团队如何把研究转化为可运行系统。
一条数据链贯穿完整项目
问题定义、数据清洗、特征设计、模型训练、评估与最终展示围绕同一个项目逐步推进。
把数据工程与机器学习连在一起
学生不只训练模型，也要理解数据从哪里来、如何被处理，以及数据质量为什么会直接改变模型结果。
需要解释模型，而不是只展示准确率
学生需要说明选择了什么数据、做了哪些假设、如何判断模型表现，以及系统在现实使用中可能遇到什么限制。
从 AI 好奇走进真实机器学习系统
真正的 AI 产品，不是从模型开始，而是从问题、数据与判断开始。
学生会从一个具体的问题出发，追踪数据如何被收集、清洗、组织、存储与转化，再理解模型如何学习、如何被评估，以及工程团队如何把研究结果变成可以支持产品决策的系统。整个项目不断回答一个问题：这套 AI 结果是否可靠、可解释，并且真的适合它要解决的问题？
- 01把一个宽泛的 AI 想法转化为清楚的问题
- 02理解原始数据、质量问题与使用边界
- 03完成清洗、聚合、标注与特征处理
- 04设计简化的数据管道与实验流程
- 05训练并评估机器学习模型
- 06解释模型结果、系统限制与产品意义
三个相互连接的专业维度
从数据到模型，再到真实产品
三个维度共同组成一条完整的 AI 产品链路：先让数据可靠，再让模型有用，最后判断系统怎样进入真实产品并持续运行。
数据工程
理解原始数据如何经过收集、清理、组织与更新，变成 AI 系统可以使用的可靠输入。
- 识别数据来源、字段与质量问题
- 完成清理、聚合、标注与特征提取
- 使用 SQL、表格与简化数据管道
- 管理数据版本、刷新与实验记录
机器学习
使用 Python 与机器学习方法建立、训练和评估模型，并解释结果是否真正支持项目目标。
- 理解训练、验证与测试的区别
- 使用 Python 与 PyTorch 等工具建立模型
- 比较表现并解释关键指标
- 探索分类、排序或推荐任务
产品与系统影响
理解模型怎样进入真实产品，工程团队如何衡量表现、管理迭代，并判断技术选择对用户体验的影响。
- 把模型连接到具体用户与产品问题
- 理解部署、推理与持续更新
- 记录实验并比较不同方案
- 判断准确率、速度、成本与体验之间的取舍
12 周专业学习路径
从一组原始数据，到一个可以被评估和解释的 AI 系统。
六个阶段围绕同一个 AI 与数据项目展开。学生会先把问题定义清楚，再建立数据基础、训练模型、理解系统运行方式，并完成最终技术展示。
- 01
第 1–2 周
问题定义与 AI 数据生命周期
选择适合项目范围的问题，理解数据如何从产生、收集到进入模型，并明确最终要回答什么。
- 02
第 3–4 周
数据清洗、探索与质量判断
使用 Python、SQL 或相关工具检查数据，处理缺失与异常，完成初步分析并记录质量限制。
- 03
第 5–6 周
数据管道与特征工程
设计简化的数据处理流程，完成聚合、标注、存储与特征提取，理解数据如何支持持续实验。
- 04
第 7–8 周
模型建立与评估
训练并比较机器学习模型，理解指标、误差和模型选择，并检验结果是否支持项目问题。
- 05
第 9–10 周
AI 系统设计与产品连接
把数据、模型、推理与产品使用场景连成系统，思考实验追踪、模型更新与现实限制。 学生还会为导师公司的数据或模型工作流设计一个聚焦的 AI 工具原型，并说明数据、模型与人的判断怎样协同。
- 06
第 11–12 周
最终技术项目与展示
完成模型、数据流程与系统说明，演示结果、回应追问，并解释技术判断与下一步改进。
想确认这条学习路径是否适合孩子？
申请项目匹配评估↓学生会完成什么
每一项技术结果，都需要学生说清楚它来自什么数据，也为什么值得相信。
这些成果共同呈现学生如何定义问题、处理数据、建立模型、评估结果，并把技术工作转化为可以被理解的产品判断。
AI 问题定义与项目范围
说明项目要解决什么问题、服务什么使用场景，以及哪些内容不在本次范围内。
数据生命周期与字段地图
呈现数据从来源、清洗、存储、特征处理到模型输入的完整路径。
数据清洗与探索分析
处理数据质量问题，发现关键模式，并说明数据中的限制与偏差。
简化数据管道
完成可以重复运行的数据处理流程，并记录主要步骤与依赖。
机器学习模型与评估
建立模型、选择指标、比较表现，并解释结果为什么合理或仍需改进。
AI 系统架构说明
说明数据、模型、推理、更新与产品场景之间的关系。
最终技术展示与答辩
演示项目成果、回应问题，并解释关键技术选择、限制与下一步。
导师公司 AI 数据工具原型
针对数据处理、模型评估或产品判断中的一个具体任务，设计可以运行、测试和解释的 AI 工具。
学生项目经历
学生怎么说
共 11 条学生反馈
这些反馈来自参与过不同 BonaVia × ExpertEase 职业实战项目的学生。每张卡片都会标明学生当时参加的项目、导师背景与年份。
01/11
中文内容翻译自学生英文原话。
准备进一步了解项目是否匹配？
申请项目匹配评估↓从什么起点开始
适合哪些学生？
- 面向 Grade 9–12 学生
- 无需提前具备 Python、数据科学、机器学习或软件工程基础
- 对 AI、大语言模型、数据分析、软件工程、算法或技术产品感兴趣
- 愿意投入时间、处理数据、测试模型并解释自己的结果
个性化学习设计
每位学生都从自己的技术起点出发，但共同走向一套可以被检验的专业成果。
团队会根据学生已有的 Python 经验、数学理解、数据处理能力与学习节奏，个性化配置预备材料、基础概念讲解和阶段性项目支持。初学者可以先建立编程、数据与模型基础；已有经验的学生，则可以进入更复杂的管道设计、模型比较与系统架构。
项目不会用同一套难度机械要求所有学生，也不会降低最终成果标准。每位学生都需要理解自己的数据、模型与判断，并能够独立解释项目如何运作。
Tailored Foundations｜定制基础模块
根据起点配置 Python、数据分析、数学直觉与机器学习概念的准备内容。
Personalized Project Depth｜个性化项目深度
在同一项目框架下调整数据复杂度、模型方法与系统设计挑战。
Targeted Technical Feedback｜针对性技术反馈
围绕数据质量、模型评估、代码逻辑和技术表达提供阶段性支持。
成长与大学准备
真正有价值的，不是说自己“做过 AI”，而是能够解释数据、模型与判断之间的关系。
项目名称本身不会决定大学申请结果。真正有价值的是，学生是否亲自处理过数据、理解模型如何训练、比较过结果、面对过不确定性，并能够说明为什么这个系统适合或不适合某个问题。
这些经历可以帮助学生更真实地理解 AI、数据科学、计算机科学与软件工程，也为未来的活动列表、文书、简历、作品集和面试积累可以被具体讲述的技术证据与反思。
项目申请
项目申请方式
项目面向 Grade 9–12 学生，无需提前具备 Python、数据或机器学习基础。团队会根据学生当前水平个性化设计预备材料、技术路线与项目支持，让学生建立必要基础，并逐步完成数据处理、模型建立、系统设计与最终技术展示。
申请流程
- 01兴趣表
- 02匹配评估与面试
- 03确认录取与报名
常规项目为 12 周，平均每周投入 10 小时以上；暑期密集安排约 1.5 个月，平均每周投入 20 小时以上。项目全程线上进行。
从这里开始
填写 1 分钟项目匹配兴趣表
告诉我们学生目前的年级、AI 与数据兴趣和目标。BonaVia 会结合项目投入、学习方式与当前起点，进一步了解这段经历是否适合他/她。
已选择项目人工智能、数据工程与机器学习职业实战项目
提交成功，谢谢您。
我们已经收到人工智能、数据工程与机器学习项目的匹配兴趣表。BonaVia 会结合学生的年级、目标、当前基础与项目投入，进一步了解这段经历是否适合他/她，并尽快与您联系。