数学建模到底是学什么？-生活场

首先谢谢邀请，关于数学建模相信学校都介绍过了，同时也有历年的论文可以看下，但如果还不是很理解，可以看一些方向性书籍

数学建模需要会编程，为什么要编程？需要实现数学建模方法

依据现有国内的情况，结合自身经验推荐一本书《Python3破冰人工智能从入门到实战》不过比较可惜的，这本书没有电子版的，只有纸质的。听说这本书已经被仅百所高校引用成为了教材。

为什么推荐他？

本书创新性地从数学建模竞赛入手，深入浅出地讲解了人工智能领域的相关知识。本书内容基于Python3.6，从人工智能领域的数学出发，到Python在人工智能场景下的关键模块；从网络爬虫到数据存储，再到数据分析；从机器学习到深度学习，涉及自然语言处理、机器学习、深度学习、推荐系统和知识图谱等。此外，本书还提供了近140个代码案例和大量图表，全面系统地阐述了算法特性，个别案例算法来自于工作经验总结，力求帮助读者学以致用。

比如第一章

第1章从数学建模到人工智能

1.1数学建模

1.1.1数学建模与人工智能

1.1.2数学建模中的常见问题

1.2人工智能下的数学

1.2.1统计量

1.2.2矩阵概念及运算

1.2.3概率论与数理统计

1.2.4高等数学——导数、微分、不定积分、定积分

后面章节循序渐进的介绍了如果实现数学建模方法！

希望对你有帮助！！！

贵在坚持，自己掌握一些，在学习竞赛中不断打磨，加油！！！

数字建模师很强大的，主要还是设计的

数学建模顾名思义是和数学有一定关系的那就是用数学方法和建模技术结合在一起是需要电脑运算的

在之前的数模竞赛中，即便是美赛O奖的作品中，我们都能看到诸如灰色预测这样的用MATLAB实现的方法，实际上我们有时间序列，回归等一系列比较常用的预测方法。

在18年前后，预测类数模问题变得较为尴尬，不是因为这些题目简单，是因为大家都有了一套两套现成的算法，拿题后只要找到数据就能很快跑程序出数据出图写论文。所以那个时候基本上很少有预测的题目再出现了。

实际上，评价类模型和预测类模型都是这样，因为人均都会，所以导致我们不会见到一整个大题全是讲预测的。

在这之前，我们在国赛见过人口增加预测，长江水质预测，世博会影响预测等等，那个时候基本上都是用matlab去实现这些数据的处理和预测。

说起来，在15年我本科入学的时候有个风潮，就是互联网+，那个时候就是谁有着一个什么创新创业的点子，就可以去参加比赛拿拿奖。我一看这还要做ppt路演，搞得比较商业，当时就没怎么关注，毕竟我只喜欢参加埋头做题的比赛。

上台说话这种我比较怯场，不过我也不是没有改变自己，有一次我最终鼓起勇气去参加了学校一个英语辩论赛，初赛只有抽题观点陈述这一部分，不用和别的同学正面对抗，所以我侥幸侃侃而谈，成功入围复赛，高兴之余，也激动地和室友报喜，随后联系复赛管理人员说我不去了，名额因此也顺延给了后一名，不知道算不算得上一桩美谈。

扯远了，主要是那个时候搞互联网+，什么东西都要加互联网，超市+互联网=做个订超市app，打车+互联网=打车软件。

现在python很火，颇有一番人工智能+的趋势。

在数模领域，除了matlab，学会python搞人工智能应用也将是一个趋势，不过吧，实际上MATLAB也能实现一部分。

那么在预测类这方面，用python的话：

LSTM：长短期记忆网络

GRU：门控循环单元

DBN：深度置信网络

QNN：量子神经网络

SVR：支持向量机

Xoost：极端梯度提升

CNN：卷积神经网络

ESN：回声状态网络

……

举例的这些方法都可以被应用到预测中，如果你搜索这些算法，你会发现有不少核心期刊论文，通篇运用这些方法来做预测。至少我们现在做数模论文，是几乎无法发表那些预测类论文至核心期刊的。

那么，你是不是应该选一个关键词，找个时间搜索原理和源代码，然后学会如何应用模型呢？

具体说来，大概有以下这三个方面：

第一方面：数学知识的应用能力

归结起来大体上有以下几类：

1）概率与数理统计

2）统筹与线轴规划

3）微分方程；

数学建模到底是学什么？

延伸阅读

相关文章