博士岗位如何定义申请者基础
香港理工大学Ruijian Han助理教授的个人主页单独列出PhD Opportunities，明确招收统计与数据科学方向博士生，并强调申请者需要较强的数学背景。这个要求不只是“最好学过高数”这么宽泛，而是意味着后续研究会持续使用概率、统计、优化与机器学习中的理论工具。申请阶段最值得先做的工作，是把自己的数学训练和研究经历放在同一张能力地图上。
如果成绩单里有概率论、数理统计、线性代数、优化、实分析或相关课程，可以在CV中有选择地突出；如果课程名称不够直接，就用项目证明你实际使用过哪些工具。比如一个机器学习项目，不要只写模型和准确率，而应说明你如何设定统计假设、选择评价指标、处理不确定性，或者为什么某种方法在数据条件变化时仍然有效。这样才能把“会用模型”和“能做数据科学研究”区分开。
PRPgS资助与奖学金边界
PolyU研究生院当前公布的PRPgS年资助为HK$230,640，并说明确认博士候选资格后有更高标准。该计划依据学术表现遴选，因此这项金额适合用来做预算参照，但不应被写成所有博士录取者自动获得的待遇。申请材料仍然要先满足博士项目和导师对研究能力的要求，再进入学校的奖学金评审。
从训练角度看，奖学金的意义不只是生活费。它让全日制博士能够把主要精力放在课程、研究和论文推进上，但也意味着申请者需要证明自己值得长期投入资源。最有说服力的材料往往是一个完整研究项目：问题如何形成，为什么选某种方法，实验或证明怎样验证假设，结果有哪些局限，以及下一步应该怎样修改。
导师团队的近期训练样本
Ruijian Han所在的数据科学与人工智能系目前有明确的研究型博士培养路径。导师主页记录了博士生Shuxing Fang获得STAI-X 2026 Paper Award，也列出博士生Yuanhang Luo的JASA 2026论文。对申请者来说，这些信息比单纯看发表数量更有用，因为它们说明学生正在参与统计与数据科学领域的持续研究输出。
如果你希望进入类似团队，最好在材料里把“数学深度”和“计算实现”同时处理。偏理论的人要说明结论如何落到可计算或可验证的问题；偏工程的人则要补上方法为什么成立、与哪些基线相比、误差和不确定性如何处理。统计与数据科学的训练并不排斥工程能力，但它要求每个实验结果都有更清楚的推理支撑。
研究计划需要体现可检验性
Research Proposal不需要把博士几年所有论文题目预先写死。更合适的结构是先定义一个现实数据问题，再给出可检验的研究问题和第一阶段方法。比如你要处理分布变化、异质数据或复杂依赖结构，就需要说明现有方法的假设在哪里失效，你准备怎样建立新的模型或推断方法，以及用什么理论或实验标准判断改进是否成立。
面试准备也可以沿同一条逻辑进行。与其背诵论文摘要，不如准备两个自己做过的项目：一个讲最成功的结果，一个讲出现过明显失败或反例的结果。导师通常更容易从第二类经历判断申请者是否会诊断问题、修改假设和继续推进。博士训练需要的不是每次都正确，而是遇到不确定性时仍能形成下一步可执行的判断。
申请节点与材料组织
PolyU当前研究型研究生申请页面显示，2027年9月入学轮次的申请截止时间是2027年5月31日。时间相对充足，但不建议把研究匹配拖到最后。先把最强的数学、统计或数据科学经历压缩成一页摘要，再据此整理CV、研究兴趣陈述和推荐信，会比从模板开始填材料更有效。
推荐信最好能从第三方角度证明你的抽象能力、研究判断或长期项目执行力。若推荐人只能评价课程成绩，可以在材料其他部分补足研究证据；若推荐人直接指导过研究，则尽量让推荐信覆盖你提出问题、处理失败和独立推进的细节。这样成绩单、CV、研究计划和推荐信才会形成同一套训练证据，而不是四份互不相干的文件。
从这个岗位反推，最需要提前补的通常不是更多“热门模型”，而是数学基础、研究问题的可检验性以及严谨的比较方法。把这些能力写清楚，既能对应Ruijian Han当前博士岗位，也能对应PolyU数据科学与人工智能博士培养中更普遍的研究要求。还可以在提交前做一次反向审稿：让不熟悉你项目的人只看CV和研究计划，判断他能否说出你的核心研究问题、最强能力和下一步准备。如果读完仍只能记住模型名称，说明材料还需要继续压缩技术噪音、突出研究判断。进一步还可以把目标导师最近学生的工作当作训练样本，而不是当成需要复制的题目：观察这些成果更偏理论证明、方法设计还是数据应用，再检查自己的材料是否提供了相应的能力证据。这样做能把“我喜欢这个方向”转化成更具体的训练匹配判断。
