生活中有很多不确定的事情， 如何用一个有效的模型和有效的算法来量化这些不确定性， 便是我们要考虑的问题。 大体上来说， 我们可以将不确定性分为两类：Aleatory uncertainty 和 epistemic uncertainty。 前者指的便是自然界中的某些随机性， 比方说 $x\sim U(0,1)$ 是一个随机变量， 每次取值都不一样， 又称为偶然不确定性； 后者指的是模型的不确定性， 比方说我们假设 $x\sim U(0,1)$, 但事实上 $x\sim \mathcal{G}(0,1)$， 所以它被称为认知不确定性。
大量的数学工具用来分析量化这两种不确定性。 对于 aleatory uncertainty，常用的数学工具有随机配置方法， 广义多项式插值方法， 随机Galerkin 方法， 摄动方法， 稀疏插值方法， Beyesian 估计等； 对于 epistemic uncertainty 来说， 有 D-S证据理论，区间分析，模糊集理论等。
这个专题主要介绍前者的算法， 会在最后涉及到一些后者的最新算法。笔者开设此专题一为记录自己的学习过程， 二为与朋友们交流一些最新的前沿进展。主要的内容基于 Prof. Dongbin Xiu 2010年写的相关书籍 Numerical Methods for Stochastic Computations: A Spectral Method Approach Princeton University Press, 2010. ISBN-10: 0691142122, ISBN-13: 978-0691142128 和最近十年发表在 JCP 和 SISC 上有影响力的相关文章。另外最近深度学习在不确定性量化领域也得到了许多应用， 比方说 George Karniadakis, Zabaras 等人的文章, 故本专题也希望对此有所涉猎。以上大概就是本专题的具体内容简介。