南安普敦 MANG2112《AI 商业应用》：个人作业 70%，全程没有考试

南安普敦 MANG2112《神经网络、机器学习与深度学习的商业应用》是商科 Level 5、Semester 2 模块：个人作业占 70%、小组案例占 30%，全程无考试。

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang2112

MANG2112 是一门什么课？

一句话：这门课不从数学推导学 AI，而是把神经网络、机器学习、深度学习当成商业决策工具——学它在预测、自动化、反欺诈、金融建模里怎么用、值不值得用。

这是南安普敦大学（University of Southampton）的本科模块，课程代码 MANG2112，英文名 Neural Networks, Machine Learning and Deep Learning Applied to Business，中文常译「神经网络、机器学习与深度学习的商业应用」。学分 15 CATS / 7.5 ECTS，Level 5（对应本科第二年级层级），Semester 2 开课，学年 2026-27，模块负责人 Peng Xu。

课名的落点在最后三个词：Applied to Business。这是关键区别——不是从数学推导弹起，而是从「这个商业问题该不该用 AI、用哪种」问起。

内容覆盖：

• 技术概念：神经网络、机器学习基础与深度学习技术；监督学习、无监督学习、强化学习三种范式；CNN 与 RNN 等架构。
• 建模流程：数据预处理、模型选择、训练与评估的完整链条。
• 商业应用：预测分析、自动化、客户洞察、反欺诈、金融建模。
• 伦理维度：伦理考量、偏差缓解与模型可解释性。
• 案例场域：金融、营销、运营与供应链优化的案例贯穿，确保学生拿到相关工具与框架的实操经验。
• 工具实操：TensorFlow 或 PyTorch 的实操熟练度。

这四块的关系值得说清：技术概念是「认识工具箱」，数据与建模流程是「会用工具」，商业场景是「知道什么时候用」，伦理是「判断该不该用」。四块缺一块，报告就会在某一段露馅——只懂概念的人写不出结果，只会跑代码的人讲不出价值，忽略伦理的人在讨论题上没有答案。

教学方式是五种并用：讲授（lectures）、互动案例研究、模拟游戏（simulation game）、指定阅读，以及自主与指导学习。学习活动包含导论讲座、小组展示、案例与问题解决、自主写作（议论性文章）以及视频与在线材料——注意「议论性文章」是明确列出的学习活动，它直接对应写作类考核。

有一条要特别注意：学校官网写明具体主题取决于授课导师团队的配置及其在战略与创新管理领域的研究方向，可能包括但不限于四类——商业语境中的技术、数据与建模流程、预测分析与客户行为建模、工具实操。这意味着主题组合可能年年微调，复习以当年实际讲授为准。

和国内机器学习课有什么不同？

最大的差别是「设在哪、考什么」：国内机器学习或神经网络课多设在计算机系，重数学推导与算法实现；这门课设在商科、Level 5，定位是商业应用——学怎么选方法、怎么落地、怎么评估价值。

• 定位不同：国内重推导与实现；这门课重选型、落地与价值判断。
• 伦理进考核：伦理、偏差缓解与可解释性写进课程概览与学习成果，与建模实操并重；国内同类商科 AI 课少有把「负责任 AI」作为考核性成果。
• 考核形态不同：个人作业 70% + 小组案例 30%，补考重修换成个人报告 100%——全程无考试；国内同类课以期末笔试或上机考为主。
• 工具是硬要求：TensorFlow 或 PyTorch 的实操熟练度直接写在大纲里。

考核怎么算？

正常学期：个人 Assignment 占 70%，小组 Group Case Study 占 30%。补考（Referral）与重修（Repeat）都是 Individual report 占 100%。

学校官网 Assessment 栏三条写得很清楚：Summative 为 Assignment 70% + Group Case Study 30%；Referral 与 Repeat 均为 Individual report 100%。Repeat type 与形成性考核（Formative）栏，学校官网没有提及。

这套结构有几层含义：

• 个人建模产出与小组协作并重。 七成在个人作业上，说明「自己能把模型跑出来并讲清」是核心；三成在小组案例，考的是协作与表达。
• 补考重修没有小组环节。 一旦走到这两条路径，全部换成个人报告——小组那块的分彻底消失，全靠一个人写。这条规则本身就在提醒：别把希望押在小组上。
• 形成性反馈不在考核栏里。 学校官网明说：课堂的问题解决、讨论与案例活动会在正式考核前给出导师与同伴反馈。也就是说，反馈是嵌进平时课堂的，不是靠一次评分拿到的。
• 无考试。 全程作品型考核，没有临场翻车，也没有临场逆袭。
• 两个作品的定位不同：个人作业考「你能不能独立完成一次完整的建模与评估」，小组案例考「你能不能在团队里把分析讲清楚」。两者的能力不重叠，不能用一个补另一个。

先修要求是什么？

学校官网没有提及先修课程要求，也没有 Linked modules 栏列出硬性前置模块。

但内容预设两样底子：

• 基本的统计概念：模型选择与评估指标都建立在这上面。
• 商业分析常识：案例讨论需要你知道行业在做什么。

另外，零编程基础的学生需要在开课前自行补 Python 入门。课程直接用 TensorFlow 或 PyTorch，环境配置与张量思维不会从零讲。

适合谁：想进入商业分析、数据产品、数字化咨询或 AI 转型岗位的商科学生——「懂业务＋会用 AI 工具」正是这批岗位的核心画像；能接受动手跑代码、愿意在工具上花课下时间的学生——实操熟练度写在大纲里。

不太适合：抗拒任何编程与数学概念、只想学 AI 概念谈资的学生——70% 的个人作业躲不开建模实操。

学完能做什么？

核心是四件事：能分类 AI 技术并评估方案、能用工具跑出数据分析、能把复杂 AI 概念讲给不同受众、能分清 AI 的真实价值与炒作。

学校官网的学习成果分三组：

• 知识与理解：理解 AI 在商业部署中的伦理、社会与经济影响（强调负责任的管理与决策）；掌握 AI 驱动决策所需的分析技术；理解 AI 技术如何跨行业驱动创新与效率、增强商业战略与竞争优势。
• 专业与研究能力：能分类 AI 技术、评估方案并重新设计流程与商业模式来利用它们；能有效地把复杂的 AI 与管理概念、研究发现与战略方案传达给各类利益相关者；能熟练使用 AI 工具与技术做数据分析。
• 可迁移能力：能通过区分真实价值与炒作来评估并选择 AI 方案；用数字素养与 AI 工具驱动决策；在 AI 驱动项目中规划、执行并管理时间与资源。

其中最有辨识度的一句是 distinguish the real value from the hype——「分清 AI 的真实价值与炒作」被写成了可考核的学习成果。

落到实际能力与去向上：

• 完整闭环：从「该不该用 AI」到「跑出模型」再到「讲清风险与价值」。
• 岗位对口：商业与数据分析师、AI 产品助理、数字化转型与咨询岗。
• 面试素材：能说「我用 TensorFlow 跑过反欺诈或客户行为模型，还能说清它的偏差与可解释性」，比任何「学过机器学习」的自我介绍都有说服力。
• 一套评估框架：面对任何一个「要不要上 AI」的提案，你能拆成基线、增量价值、风险三块来讲——这套框架在咨询与产品岗位的面试里同样好用。

难点与常见挂因

这门课的难，是三种能力同时压上来：概念要分得清层级、工具要真能跑、论证要写得出商业判断。概念能听懂的人很多，能把模型跑通并写成有立场的报告的人不多。

为什么中国学生容易在这里卡？

• 概念体系分层不清。 监督/无监督/强化学习是学习范式，CNN/RNN 是架构，预测分析是应用场景——三层的词经常被混着用。分不清层级，答题时就会方法与架构张冠李戴，给错一类问题的解法。
• 建模全流程的工程性没经历过。 数据预处理、模型选择、训练、评估环环相扣，任何一环出错（如数据泄漏、过拟合）都会让结果失效。只看懂课堂演示、没独立跑过流程的学生，会在 70% 的个人作业里集中暴露。
• 工具上手是实打实的门槛。 TensorFlow 或 PyTorch 的环境配置、张量思维与报错排查，对商科背景学生是真门槛。「看懂代码」和「改出能跑的模型」之间隔着大量练习，张量形状对不上是第一道坎。
• 伦理与商业的交叉论证难。 bias mitigation、model interpretability 不是技术注脚，而是部署决策的一部分：一个技术上更准但不可解释的模型，在金融或客户场景里可能恰恰不能上线。这类权衡题答不出结构，就只能在结论层面打转。
• 价值判断要求两边都懂。 「真实价值 vs 炒作」要求同时懂技术边界与商业逻辑；只学一边的人要么高估 AI 能力，要么把 AI 当万能词堆进报告。
• AI 术语的英文链反应慢。 neural network、overfitting、epoch、feature engineering、CNN/RNN 每个都是多层概念，中文教材译名不统一；听课与读材料时反应慢，就跟丢演示步骤。
• 编程工具的英文环境。 文档、报错信息与社区问答全是英文；一个报错卡半天，原因常常是读不懂错误提示。
• argumentative essay 的英文学术写作。 学习活动明列 Private study: argumentative essay——议论要求立场、论证与反驳，不是技术说明书。写成功能罗列式技术报告，就没有论证结构。
• AI 伦理话语的语境差异。 bias mitigation、responsible management、interpretability 是欧美监管与公众讨论催生的话语体系；讨论时只会说「AI 有风险」，说不出具体偏差来源或缓解手段。
• 小组展示容易被边缘化。 学习活动含 groupwork presentation，考核含 Group Case Study 30%；分工沟通风格与展示节奏预期不同，国际学生容易变成「做 PPT 的那个」。
• 商业案例的欧美语境。 案例来自金融、营销、运营、供应链，背景是欧美市场实践；讨论时对行业惯例（如信用评分、动态定价）不熟，就接不上话。

卡住之后会发生什么？

• 只会概念不会工具，环境配了几天还没就绪，个人作业只能交半成品。
• essay 写成技术报告，罗列功能没有立场，论证分拿不到。
• 小组案例搭便车，会后自己没有可交付物，展示时讲不出自己的部分。
• 忽视伦理维度，报告里 ethics 只有一句话，而这是明写的学习成果。
• 分不清价值与炒作，案例里说不出「不用 AI 会怎样」，论证显得空。
• 统计基础欠账，分不清训练集与测试集的作用，模型选择与评估指标全看不懂。

五处高频卡点

1. 概念分层：范式、架构、场景不能混着用。
2. 建模流程：预处理、选择、训练、评估，任何一环错结果失效。
3. 工具实操：环境、张量、报错三件套。
4. 伦理论证：偏差来源与缓解措施要说得具体。
5. 价值判断：基线方案对比与 AI 增量价值。

常见挂因与对应动作

• 只懂概念不会用工具。 机制：看得懂课堂演示，独立跑不通流程。早期信号：环境配了三天还没就绪。怎么补：从数据到评估独立完整跑通三个小项目。
• essay 写成技术报告。 机制：罗列功能没有论证立场。早期信号：初稿每段都在介绍「是什么」没有「为什么」。怎么补：按论点—证据—反驳结构重写，每段有主题句。
• 小组案例搭便车。 机制：只等分工不认领模块。早期信号：小组会后自己没有可交付物。怎么补：主动认领一个分析模块并完成英文展示。
• 忽视伦理维度。 机制：只建模型不评估偏差与可解释性。早期信号：报告里伦理部分只有一句话。怎么补：每个模型输出两类风险加对应缓解措施。
• 分不清价值与炒作。 机制：把 AI 当万能答案堆进论证。早期信号：案例分析里说不出「不用 AI 会怎样」。怎么补：每个用例写清基线方案对比与 AI 增量价值。
• 统计基础欠账。 机制：模型选择与评估指标看不懂。早期信号：分不清训练集与测试集的作用。怎么补：开课前补完基础统计与一个入门建模教程。

留学生特别提醒

中国学生最容易在六处吃亏：术语英文链跟不上、报错读不懂、议论写作写成说明书、伦理只会说「有风险」、小组里被边缘化、案例的欧美行业惯例不熟。

• 术语做三栏卡：英文、定义、白话例子。能不看笔记用英文解释监督与无监督学习的区别，才算够。
• 课前跑官方入门教程，用英文记调试笔记；能独立解决三个常见环境或张量报错，才算过关。
• 按「论点—证据—反驳—结论」框架练两篇短文，每段有主题句且有文献支撑。
• 读两篇 AI 伦理商业案例，标注偏差来源与缓解措施；能对一个模型说出两类风险与对应缓解，才算够。
• 第一次小组会主动认领一个可交付模块并约定检查点；能独立讲完自己那部分的英文问答。
• 每个案例场域补一份行业概述：金融、营销、运营、供应链各一份，能说出该域两个典型 AI 用例。
• 别把 AI 当万能答案：每个用例都写清「不用 AI 会怎样」，这一句话就是价值判断的分数。

怎么准备？

准备的关键是三条：把工具这条链先跑通、把概念分层的框架先搭好、把议论写作练成结构。

• 开课前补 Python 入门，再跑一遍 TensorFlow 或 PyTorch 官方入门教程。
• 搭概念框架：学习范式、模型架构、应用场景三层各列一张表。
• 跑通三个小项目：从数据到评估，独立完成。
• 术语卡每周补，配白话例子。
• 议论写作练两篇，按论点—证据—反驳结构。
• 伦理案例读两篇，练「两类风险＋缓解」表述。
• 小组第一周认领模块，约定检查点。
• 案例场域补行业概述，每个域两个典型用例。
• 把「不用 AI 会怎样」写进每个案例的第一段：这句话逼你先想清基线，再谈 AI 的增量，论证自然有对比框架。
• 报告先搭骨架再填内容：问题、方法、结果、风险、结论五段，先写标题句，再逐段补证据。

中英术语速查

• neural network —— 神经网络：由多层节点组成的模型结构。
• machine learning —— 机器学习：让模型从数据中学习规律。
• deep learning —— 深度学习：多层神经网络的机器学习方法。
• supervised learning —— 监督学习：用带标签数据训练。
• unsupervised learning —— 无监督学习：无标签数据中找结构。
• reinforcement learning —— 强化学习：通过奖励反馈学习策略。
• CNN (convolutional neural network) —— 卷积神经网络：擅长处理图像类数据。
• RNN (recurrent neural network) —— 循环神经网络：擅长处理序列数据。
• overfitting —— 过拟合：模型记住了训练数据而泛化变差。
• feature engineering —— 特征工程：构造对模型有用的输入变量。
• epoch —— 训练轮次：完整遍历训练集一次。
• data leakage —— 数据泄漏：训练时混入了不该知道的信息。
• predictive analytics —— 预测分析：用数据预测未来结果。
• fraud detection —— 反欺诈：识别异常交易与行为。
• bias mitigation —— 偏差缓解：减少模型对特定群体的不公平。
• model interpretability —— 模型可解释性：能否说清模型为何这样判断。
• stakeholder —— 利益相关者：受项目结果影响的各方。
• hype —— 炒作：被夸大的技术预期。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/mang2112

本文涉及学校、模块代码、学分、层级、学期、学年、课程内容、教学方法与学习活动、考核结构（含补考重修）、学习成果与选课要求的事实，均来自上述学校官网模块页；核对时间为 2026-10-30。文中「与国内课程差异、先修判断、难点、适合谁、怎么准备、学完能力」等属于基于课程内容的分析与学习建议，不代表学校官方要求。

← 学业指南首页课程库