申請加拿大博士的AI方向，很多人會用「課程匹配」這個概念來選校，但加拿大博士的審查邏輯跟碩士或轉學不同——博士階段沒有統一的課程准入門檻，院系不會因為你少修一門「深度學習」就把你刷掉。真正決定錄取的，是你的學術訓練能否支撐你勝任目標導師的研究課題。

換句話說，課程匹配在加拿大博士申請中，不是拿來「抵學分」的，而是拿來「證明研究潛力」的。AI選校工具若以課程名稱或修課清單來推薦學校，很容易讓你把注意力放在錯誤的地方。

加拿大博士審查的實際邏輯：研究契合優先於課程清單

加拿大多所大學的AI研究群體在國際上有很強的影響力，例如多倫多大學、蒙特婁大學（Mila）、阿爾伯塔大學等。這些學校的博士生培養強調獨立研究能力與跨實驗室協作，錄取時通常由指導教授或招生委員會評估申請者的研究背景。

教授在看你申請時，腦中想的不是「這門課有沒有修過」，而是「這個人進到我的實驗室，能不能馬上開始做研究」。因此，你的數學基礎（機率統計、最佳化理論、離散數學）與高階AI/ML課程經驗（深度學習、自然語言處理、強化學習）之所以重要，是因為它們是研究的工具，而不是入學的門票。

用課程經驗證明研究潛力：三個具體做法

既然課程不是拿來抵免的，那該怎麼用？以下三個做法，能讓你的修課紀錄在申請中發揮作用：

1. 把課程專案變成研究樣本

你修過的高階AI課程，通常有期末專案或課程論文。把這些專案的報告、程式碼或成果整理成一份簡短的「作品集」，在CV或個人網站中列出。教授看到的不只是「修過深度學習」，而是「在深度學習課程中做過一個影像分類專案，使用了某種架構，達到某個成效」。後者才有說服力。

2. 在SOP中連結課程與研究興趣

不要在SOP中列舉修過的課，而是挑一門對你影響最深的課，說明它如何引發你對某個研究問題的興趣。例如：「在修讀最佳化理論時，我注意到大規模模型訓練中的收斂問題，這讓我開始閱讀聯邦學習相關文獻。」這樣寫，課程就從「背景」變成「研究動機的來源」。

3. 請推薦人具體描述你的課堂表現

推薦信若只寫「該生修課成績優異」，對博士申請幫助有限。較有價值的推薦信，會具體描述你在課堂中的提問、專案中的貢獻、或你對某個困難概念的掌握程度。若你與某位教授互動較多，可以在申請前與他討論你的博士規劃，請他在推薦信中著墨於你的研究潛力。

核對AI選校結果時，把「課程」換成「研究課題」

AI選校工具通常會問你修過哪些課、熟悉哪些領域，然後推薦學校。收到推薦後，請不要急著比對課程名稱，而是進行以下轉換：

• 把「我修過機器學習」轉換成「我有能力閱讀機器學習最新論文」
• 把「我熟悉PyTorch」轉換成「我能快速實作論文中的模型」
• 把「我修過自然語言處理」轉換成「我對NLP中的某個子問題有具體興趣」

完成轉換後，去查詢目標學校教授的研究頁面，看看他們的近期發表是否與你的研究興趣重疊。若你對聯邦學習有興趣，但某位教授過去三年都在做電腦視覺，即使學校排名很高，匹配度也有限。

常見誤區：過度重視「有沒有開某門課」

有些申請者會查詢學校有沒有開設「強化學習」或「生成式AI」課程，以此判斷該校是否適合。這個方法對碩士申請有參考價值，但對博士申請來說，學校開什麼課遠不如教授做什麼研究重要。博士期間的課程通常只佔畢業要求的一小部分，且很多學校允許你到其他系所或學校修課。

另一個誤區是忽略「跨實驗室協作」的文化。加拿大的AI研究社群規模不大，教授之間的合作很常見。若你申請的學校有一位與你興趣相符的教授，但他的實驗室規模較小，可能可以透過其他實驗室的資源補足。因此，選校時除了看單一教授，也可以看看該校是否有相關的研究群體或中心。

申請前的最後檢查清單

• [ ] 整理出你的數理背景：機率統計、最佳化、離散數學的熟悉程度
• [ ] 挑選2到3個課程專案，整理成作品集
• [ ] 在SOP中將課程經驗連結到具體研究問題
• [ ] 查詢目標教授近三年的發表，確認研究主題契合
• [ ] 確認該校是否有相關研究群體或跨實驗室合作機會
• [ ] 核對申請截止日、推薦信數量與其他文件要求（以學校官網為準）

加拿大博士申請是一場「研究契合度」的匹配遊戲。AI選校工具可以幫你快速掌握學校分布，但最終的決策，還是要回到你與潛在導師之間的研究對話。把課程經驗當作研究潛力的證據，而不是入學的門檻，你的申請會更有說服力。