美赛f题数据在哪里找

好的，接下来呢，我们看一下 f 题哈， f 题的话呢，叫生成是人工智能啊，这个说白了会影响各行各业的工作吗？对不对？ 尤其是会影响哪些工作呢？官方呢？给了三种工作类型是吧？ stm 和就说白了就是科学工程，比如说工程师啊，是吧？那个那个软件工程师啊之类的啊，数学领域的大神之类的啊，这些专业 对不对？就是我们所说的工科专业，还有叫技工贸易类，比如说厨师啊，水电工啊这种工种啊，工程类的工种，还有就是一些艺术家啊，这三种职业，那么未来生成是人工智能对这三种职业会是一个什么样的影响 对不对啊？怎么人工智能对这专者专者的职业会有一个什么影响啊？这个很关键啊，然后呢？分析，然后呢？这第一问啊，第二问就是分析啊，每个职业确定的特定的高校机构学项目，然后呢提出建议来，就是就是你觉得这三种职业啊，或者这每种职业， 那么如何来安排啊？这个这个针对这个职业项目如何来安排相关的课程来应对未来人工智能的一个发展哈， 还有就是这个，呃啊，以下就是些思考了哈，就是你，你可以作为你的补充啊，本质上来说啊，其实那个没有什么，这个这个这个主要就是两两问比较多一点哈，两问比较多一点哈，然后我们看一下具体的一些细节哈，可以把它生成这么几个小问哈。几个小问？ 第一个就是这个，这是一个首先是个综合类题目哈，包括这个优化加决策啊，加评价优化都都在里面哈啊，我们可以分为这么几个小问，第一个就是这个预测啊，每种职业的发展趋势。第二个就是决策啊，教育方案怎么做优化。第三个就是评价啊，多因素影响的一个分析啊， 有多个因素对对于就业什么的影响。然后第五个就泛化推广建议相关的 每个小问，哎，第一个就是选择 stm， 技工、贸易、艺术各一个职业啊，预测啊，伪人工智能对他未来的一个发展的影响。这第一个小问问题为一，这是我们的第一个小问。 第二个就是为了应对职业教育机构设计 ar 项目课程怎么来设置相关的课程对不对？第三个就是分析就业需求外的其他影响因素啊，调整模型与建议。第四个小问就是论正建议的推广性啊，说明适用的范围， 来，我们看一看，可以看一下，可以选择哪些模型来做啊，哪些模型来做。第一个就比如说这个啊，我们说这个啊，记住哈，你们记住， 预测一个政策或者发布一个政策对未来的影响，大部分的概率都会选择用什么系统动力学模型啊，这个是百分之百的啊，大部分 f t f f t 啊，都是用系统动力学模型是最常见的，所以呢，这个题目我估计大部分的同学都会选择系统动力学模型来做的啊 啊，比如说用系统的力学来模拟，那么 ai 到底对于这些啊，学科这些职业，他的一个影响的内容是怎么样的啊？影响内容怎么样？比如 ai 先影响了，哎，怎么怎么，然后又影这个正反馈机制是怎么来构建的？这就叫系统的力学模型 啊，这个很关键啊，来用贝叶斯网络。为什么要融合贝叶斯网络呢？就是来有些不确定性，比如说技术迭代，这 ai 突然间发展的特别快了啊，突然间质的迭代， 那么不， ai 不是 说长期就按照这样的稳不变的或者稳固的发展，他会技术迭代非常的快的，所以我可以融合贝叶斯网络，再加系统里学模拟，我整个的来模拟未来的一个演化程度，工作的一个演化程度，这个很好，这个思路哈。 然后第二位决策，决策的话呢？我可以说，哎，要构建哪些啊？比如说 先确定用 h p 来啊，决策就是端标优化加一层的问题法，先用 h p 算法来优先确定权重标，比如说就业还是最高，还是说论语素养最高，是吧？就业能力肯定是最强的，对不对？每一个目标每一个是吧？这个这个指标他的那个权重先确定一下， 然后构建多标优化模型来优化我的课程，对吧？我设计哪些课程，哪些课程可以入选？哎，我的月儿条件可以是哪些？比如课时，学生的课时是固定的对不对？比如不能说太多对不对，是不是？ 还有就是我有一些最基本的一些选优要求，课程要求啊，我都可以作为我的约束条件，这样我构建一个多目标优化模型啊，这叫目标优化模型啊，优化目标就是我的选择的那个，是吧？我我，我的优化目标是什么？ 我的就业最好对不对？我就业最好，或者说，哎，因为你学生本身来还是就业吗？就业率最高 可以是我的优化目标，还可以是什么？我学生的能力更强，这叫多目标，目标不唯一啊，目标有很多， 你也可以有别的目标，但是我觉得这两个目标就可以了。就是第一就是就业，就学生的就业比较好，他不会失业。第二个就是这个学生，那么他的这个工作能力啊，整个的学业的能力是比较强的啊，你也可以有其他的，这个没毛病。 来第三个分析就业需求外的其他因素的，就哪些因素还会影响到我的，我的这个课程的设计，或者我的相关的一个建模， 那我们可以评价一下，就评价类某个东西，评价一下相关性分析，确定哪些变量啊？非优化变的，别论理风险创新能力。来来，然后呢，找到这些哪些变量是比较关键的？然后再相关性分析算法，然后呢，识别哪些变量，是吧？之间是高度相关的。然后呢，找到哪些变量啊？影响因素是比较大的。 然后第四个就是建议推广嘛，可以，你可以啊，构建一些其他的来， 比如说可以构建这个案例推案例推理模型， c r c c r c c b p c b 二，加上地理甲醛回归啊，来来，这个是 c c b p 的 c b 二，这个模型没见过哈，基于啊，机构相似案例进行推广，然后 j w r 的 量化啊，地区差异对推广影响的效果的一个影响 啊。其实这个题目吧，本质上来说就第一个问题最关键的啊，第一小问最关键了，就是说啊，和 ai 对 各个因素啊，各个这个 ai 对 那个各个的这个 ai 对 各个行业他未来会什么样的影响？其这个就是性动力学模型，这个很关键啊，这个很也很麻烦，对不对？这个的话，你要把这个模型构建出来以后，你整个的建模是比较流畅和比较顺利的哈 啊？第二小问，其实也还好哈啊？策略就是选课吗？其实就是一个选课模型，明白吧？就是一个选课模型， 我们都知道你可以，你可以那个构建啊？你在数学建模领域，其实这样是一个比较典型的一个优化类算法，就是选课算法，选课模型，选课模型一般你们你们也知道，就是如何，呃？给你们安排选课 对不对？怎么选课？让你的学分达到最高，让你的学习时间达到最短，就是这样的话学分最高，你的占有率的时间最短，这就是一个选课模型，你可以移植到这个地方来，明白吧？移植到这个地方来 啊，这就是一个移植的一个过程哈。这两个搞定了，其实其他的都不难哈。什么评第三位，评价第四位，什么回归啊？其实都还好，第一位和第二位主要就是建模的核心，好吧，这这个的话你要搞定了，很关键。 系统动力学也好，是吧？这个，呃，多多元回归也好，都还好，没有什么难点哈。没有什么太难点，就系统动力学建模会比较复杂一点哈。 来，我们呢也会把相关的源代码然后放到这个位置哈，放到把 f t 的 相关的源代码放在这个位置，以及我的系统文心文档以及我的想用 ai， 一 会呢？我会用 ai 完整的解决这个 这个题目完整的来解决这个题目哈完整啊，非常完整的解决这个题目用我们的 ar 提示词来完整的解决这个。呃 f 题。好吧，到时候呢看看这个相关的模型检验代码呀，调试啊之类都会都会放在这个放在这个文档里面去哈 啊相关有有有取相关的思路源代码啊，大家可以可以那个领取一下。好吧，我把相关的源代码都放在这个地方啊。思路解析相关的好吧来 难度系数不大。三点五分啊，不大啊，难。整个的模型复杂度呢？中等啊，只需要两个模型一个系统立体，一个多，一个多描优化模型啊，还有就是这个呃 难点呢，就是首先呢不同职业类型亮化建模很麻烦，尤其是艺术积木这些呢 内容吧比较复杂一点哈，尤其厨师什么的对吧。这些艺术啊这都比较抽象对不对。难以量化建模啊这个呢算是一个难点哈，非就业因素啊，像创新社会责任论语啊也不好量化，这都属于模糊，模糊因素对不对 啊。核心要点呢就是啊模型需要覆盖三类且具有代表性，数据来源权威可追溯啊，模型需要明确这个 ai 影响职业的核心内容驱动比较自动化替代效率提升啊，就 ai 是 怎么来影响这个工作 的？是是他是吧，他能够提高效率啊，原来两个人的原来一个人三个人一个人的三个人的工作一个人就能干了，他可以提高效率吗？对不对。 还有就是教育建议需具体可行啊，包括课程设置中这里啊学生你不要说这个同学选这个课程吧， 是吧？选了很多课程，内容太多太杂了也不行，对不对？就是需要满足这要求条件，要同一个学生同一时间不能上两门课，对不对？不同的选修课之间不能冲突。是哎，等等之类的 啊，需要这些约束条件需要考虑到位哈。解析思路，按照这样流程来，第一步啊，职业与机构选择，选择代表性职业，然后匹配对应教育机构啊， 然后呢？影响预测模型，构建 sd 模型，然后呢？来哎， sd 模型来整合 ai 技术成熟度，职业自动化率，市场效率来构建这样的一个模拟关系，就是 ai 它是怎么影响的？来构建 sd 模型系统理学模型来演化，来把整个的演化过程给它建立出来， 然后教育方案优化，用 h b 确定目标教育权重啊，哪些权，哪种是哪是比较重要的指标，我们放在优先级第一位上，比如说学生就业放在优先级第一位上是吧？然后多目标规划，多目标规划里面的目标权重也是不一样的哈， 然后呢，构建课程体系，然后第四个要多目标多因素评价，评价非就业因素评价指标体系。然后第五步推广啊，这样的一个思路来哈，互相要点创新点是吧？量化结果给出量化指标体系，然后第五步推广啊，这样的一个思维点也必须要做一点哈， 然后这个题目的话就车长亮化建模的啊，比较好一点。亮化建模的是吧，像一些经管类的啊，文科的也可以做功课类的，慎重啊，因为他不是，他没有什么功课的专业，反而是跟很多教育职业相关的，所以说需要你最好有一定的背景专业来做哈。 啊，这有整个的这个 f 题啊，大家可以看一下哈，然后六个题目来看的话呢，最简单的就这个 a 题，我觉得 a 题真的很简单哈，然后 f 题呢，也还好啊， c 题呢比较麻烦啊， c 题很很麻烦是吧？数据比较难，然后呢，建模也比较复杂哈， e 题的话呢，更麻烦哈。 d 题的话呢，呃，体育赛事的管理就是比较比较杂乱而已哈，然后呢， b 题的话呢？这个这个 b 题呢？这个四分啊，这个这个他就是 也不要，其实难度系数没那么大。就是就是，相对来说吧，月球基地可能很多人就害怕了，就害怕了哈，那整个的难度系数上来说哈，我觉得 a 题 f 题啊，都还是比较不是很难的，尤其是我推荐你做 a 题比较多一点哈， ok， 这就整个的一个选择题，建议难度分析啊，我觉得选 a 题的同学应该是比较多一点的，和 c、 c 题的话呢，因为给了数据，所以选的人应该也比较多一点哈 啊， a 题呢，是我最推荐你选的，也是大家希望大家啊去认真去做一做的哈。 a 题的话呢，难难获奖难度并不大，按照我说的逐层优化，逐层递进的话，拿到一个大奖应该是不成什么问题的哈。 ok， 这就整个 a、 b、 c、 d、 f 题的思路解析啊，小题建议难度难度分析之类的一个文档哈，给大家 准备好了，然后相关的原代码呢？给大家准备好了 a， b， c， d， e， f、 t 的 原代码是吧？啊，都放到相关的资料里面了，休息一下午就开始更新了哈，数据的话呢，老哥会大家继续从全网来寻找来购买哈，购买完之后免费分享给我们所有小伙伴哈，大家注意大家，大家不用担心哈， ok。

距离美赛还有不到两天的时间，这些美赛数据网址记得一定要收藏，包括全球数据库、文献下载网址以及权威性数据平台，详细大家可以暂停观看。 为了帮助各位同学更好地完成竞赛， swisse pro 特别推出美赛专属算法包，直接进入 swisse pro 就 可见到常见算法，点击对应的算法即可一键输出报告，赶紧来使用吧！

更多干货关注树魔乐园公众号！

好的，小伙伴们大家好哈，还有很多同学说想坐地铁啊，地铁的话找不着数据啊，今天老哥也给大家找到地铁的数据集了啊，地铁数据集还是非常非常全面的哈。啊，你看一下这个数据，光说明就写说有十页的说明啊，十页的说明啊，完整的一个数据集，在这个地方哈，二零二六美赛地铁的数据集啊，在这里哈， 什么？包括二零二五赛季球员薪资数据啊，美国女子篮球运动赛的这个完整的数据集啊，以及这个球队扩张的球队的数据，是吧？以及这个版权啊，媒体版权合同数据 啊，模型参数数据，然后呢？球队估值运营数据啊，球队上座率的数据，高薪资历史啊，高薪资帽的历史数据啊，都有哈，每一个数据呢，我们都在这里都有一个说明哈，就这个数据代表什么意思？在这里有哈， 比如第一个上座率书记啊，这些字段分别代表喊什么意思？比如字段球队的名称，比如说伊里安娜狂热队， lv， 什么拉拉斯拉斯，王牌队，是吧？赛季的年份，二零二二四幺三，二零二四年 平均上座率是吧？上座总人数，然后呢？主场管人数啊，该赛季收清次数啊，包括啊，然后关键随着相关的价值的解析啊，就这个数据集，就这个 啊，上座率数据啊，在这里啊，上座率数据找一下啊，上座率数在这里啊，就这个数据怎么解读啊，里面的含义啊，都在这个表里面写着了哈。 然后第二个数据，比如说扩张球队的数据哈，六只扩张的球队，他们的数据的一个整体情况也是有自断的情况，所在的城市加入联盟的年份，加盟费啊，主场使用啊之类的，然后都有哈，就是扩张嘛，对不对？球队扩张， 然后还有就是媒体版权合同数据，每点点这个这个数据啊，是吧？版权相关的合同期限啊，合同金额和媒体方转播内容啊，分成比例啊，都有哈啊。对，在这个地方每点这个这个位置， 媒体版权合同数据里面也都有哈啊，这就是我们整个的一个完整的数据集哈，你可以比着这个数据说明，然后呢对应的去找相关的数据集即可哈。 啊，同样道理呢，我们还有这个一个一个其他的数据来源，一个一个完整的一个一个表格哈，大家可以看一下哈啊，包括各种各样的数据集，怎么去找啊？包括怎么去找哈 啊？包括比如说这个球队基础的球，球队球员数据，得分数据，然后呢这个得分数据的话可以统计出来这个球队的整体的实力吗？球星的相关实力，赛程比分数据，勇士队啊，历史赛季阵容统计口径， 球员薪资合同口径啊，各种各样的数据集都可以在这个里面去下载哈。啊，如果你不想下载的话，我们有一些基础的数据集就给咱弄好了，大家可以拿去用一下哈，这个数据集的话整理的还是比较完善的哈，大部分数据都是免费的，可以直接下载，包括伤病数据啊，每个球员的一个相关的一些伤病数据合集啊 啊，都在这个地方了啊，可以拿去是吧看一看啊，相关的数据，那个那个有没有自己需要的哈？有没有自己需要的 啊？这就是整个的这个立体的一些数据集啊，包括数据说明、下载方式，然后呢？相关的已经数据下载好的一些数据合集啊，都在这里了啊。 好的，同样的呢，我们还有美赛 f 体的数据哈。美赛 f 体的数据啊？包括什么？呃，这个这个里面是关于艺术家什么的，他们的一些就业数据啊，搞艺术的、音乐家他们的一些数据， 这个里面的数据非常庞大哈。这整个的这个美国的啊，相当于整个的各种工种的一个数据表哈。啊，非常非常的全面哈，里面内容特别特别的多哈，这个 ar 都不一定能处理的了，内容非常大。就整个的这个，呃，工种啊，他这个工作时间、 工作安排啊、加班效应，各种各样的数据集啊，每种工作每种工种的啊，长这个数据啊，都在这里面了哈。

好的，接下来呢，我们看一下 f 题哈， f 题的话呢，叫生成是人工智能啊，这个说白了会影响各行各业的工作吗？对不对？ 尤其是会影响哪些工作呢？官方呢？给了三种工作类型是吧？ s、 t、 e、 m 和就说白了就是科学工程，比如说工程师啊，是吧？那个那个软件工程师啊之类的啊，数学领域的大神之类的啊，这些专业 对不对？就是我们所说的工科专业，还有叫技工贸易类，比如说厨师啊，水电工啊这种工种啊，工程类的工种，还有就是一些艺术家啊，这三种职业，那么未来生成是人工智能对这三种职业会是一个什么样的影响 对不对啊？怎么人工智能对这专者专者的职业会有一个什么影响啊？这个很关键啊，然后呢？分析，然后呢？这第一问啊，第二问就是分析啊，每个职业确定的特定的高校机构学项目，然后呢提出建议来，就是就是你觉得这三种职业啊，或者这每种职业， 那么如何来安排啊？这个这个针对这个职业项目如何来安排相关的课程来应对未来人工智能的一个发展哈， 还有就是这个，呃啊，以下就是些思考了哈，就是你，你可以作为你的补充啊，本质上来说啊，其实那个没有什么，这个这个这个主要就是两两位比较多一点哈，两位比较多一点哈，然后我们看一下具体的一些细节哈，可以把它生成这么几个小问哈。几个小问？ 第一个就是这个，这是一个首先是个综合类题目哈，包括这个优化加决策啊，加评价优化都都在里面哈啊，我们可以分为这么几个小问，第一个就是这个预测啊，每种职业的发展趋势。第二个就是决策啊，教育方案怎么做优化。第三个就是评价啊，多因素影响的一个分析啊， 有多个因素对对于就业什么的影响。然后第五个就泛化推广建议相关的 每个小问，哎，第一个就是选择 stm， 技工、贸易、艺术各一个职业啊，预测啊，美人工智能对他未来的一个发展的影响。这第一个小问问题为一，这是我们的第一个小问。第二个就是为了应对职业教育机构设计 ar 项目课程怎么来设置相关的课程 对不对？第三个就是分析就业需求外的其他影响因素啊，调整模型与建议。第四个角度就是论正建议的推广性啊，说明适用的范围，来，我们看一看，可以看一下，可以选择哪些模型来做啊，哪些模型来做。 第一个就比如说这个啊，我们说这个啊，记住哈，你们记住，预测一个政策或者发布一个政策对未来的影响， 大部分的概率都会选择用什么系统动力学模型啊，这个是百分之百的啊，大部分 f t f f t 啊，都是用系统动力学模型是最常见的，所以呢，这个题目我估计大部分的同学都会选择系统动力学模型来做的啊啊，比如说用系统动力学 来模拟，那么 ai 到底对于这些啊，学科这些职业，他的一个影响的内容是怎么样的啊？影响内容怎么样？比如 ai 先影响了，哎，怎么怎么，然后又影这个正反馈机制是怎么来构建的？这就叫兴同力学模型 啊，这个很关键啊，来用贝叶斯网络。为什么要融合贝叶斯网络呢？就是来有些不确定性，比如说技术迭代，这 ai 突然间发展的特别快了啊，突然间质的迭代， 那么不， vr 不是 说长期就按照这样的稳不变的或者稳固的版，它会技术迭代非常的快的，所以我可以融合 b s 网络，再加系统里学模拟，我整个的来模拟未来的一个演化程度，工作的一个演化程度，这个很好，这个思路哈。 然后第二位决策。决策的话呢？我可以说，哎，要构建哪些啊？比如说 先确定用 h p 来啊，决策就是端标优化，加一层的面积把，先用 h p 算法来优先确定权重标。比如说就业还是最高，还是说论语素养最高，是吧？就业能力肯定是最强的，对不对？哪一？每一个目标每一个是吧？这个这个指标他的那个权重先确定一下， 然后构建多标优化模型来优化我的课程，对吧？我设计哪些课程，哪些课程可以入选，哎，我的月儿条件可以是哪些？比较课时，学生的课时是固定的对不对？别不能说太多对不对？是不是？ 还有就是我有一些最基本的一些选优要求，课程要求啊，我都可以作为我的约束条件，这样我构建一个多目标优化模型啊，这叫目标优化模型啊，优化目标就是我的选择的那个，是吧？我我，我的优化目标是什么？ 我的就业最好对不对？我就业最好，或者说，哎，因为你学生本身来还是就业吗？就业率最高 可以是我的优化目标，还可以是什么？我学生的能力更强，这叫多目标，目标不唯一啊，目标有很多， 你也可以有别的目标，但是我觉得这两个目标就可以了。就是第一就是就业，就学生的就业比较好，他不会失业。第二个就是这个学生，那么他的这个工作能力啊，整个的学业的能力是比较强的啊，你也可以有其他的，这没毛病。 来第三个分析就业需求外的其他因素的，就哪些因素还会影响到我的，我的这个课程的设计，或者我的相关的一个建模。 那我们可以评价一下，就评价类某个同学，评价一下相关性分析，确定哪些变量啊？非优化变量，别论理风险创新能力啊。来来，然后呢，找到这些哪些变量是比较关键的？然后再相关性分析算法，然后呢，识别哪些变量是不之间是高度相关的，然后呢，找到哪些变量啊，影响因素是比较大的。 然后第四个就是建议推广嘛，可以，你可以啊，构建一些其他的来， 比如说可以构建这个案例推案例推理模型， c r c c r c c b p c b， 加上地理甲醛回归啊，来来，这个是 c c b p 的 c b。 二、这个模型没见过哈，基于啊，机构相似案例进行推广，然后 j w r 的 量化啊，地区差异对推广影响的效果的一个影响 啊。其实这个题目吧，本质上来说就第一个问题最关键的啊。第一小问最关键了，就是说啊，和 ai 对 各个因素啊，各个这个 ai 对 那个各个的这个 ai 对 各个行业他未来会什么样的影响？其这个就是性动力学模型，这个很关键啊，这个很也很麻烦，对不对？这个的话你要把这个模型构建出来以后，你整个的建模是比较流畅和比较顺利的哈 啊？第二小问，其实也还好哈啊？策略就是选课吗？其实就是一个选课模型，明白吧？就是一个选课模型， 我们都知道你可以，你可以那个构建啊？你在数学建模领域，其实这样是一个比较典型的一个优化类算法，就是选课算法，选课模型，选课模型一般你们你们也知道，就是如何，呃？给你们安排选课， 对不对？怎么选课？让你的学分达到最高，让你的学习时间达到最短，就是这样的话学分最高，你的占有率的时间最短，这就是一个选课模型，你可以移植到这个地方来，明白吧？移植到这个地方来 啊，这就是一个移植的一个过程哈。这两个搞定了，其实其他的都不难哈。什么评第三位，评价第四位，什么回归啊？其实都还好，第一位和第二位主要就是建模的核心，好吧，这这个的话你要搞定了，很关键。 系统动力学也好，是吧？这个呃，多多元回归也好，都还好，没有什么难点哈。没有什么太难点，就系统动力学建模会比较复杂一点哈。 来，我们呢也会把相关的原代码然后放到这个位置哈。放到把 f t 的 相关的原代码放在这个位置，以及我的系统文心文档以及我的想用 ai， 一 会呢？我会用 ai 完整的解决这个 这个题目完整的来解决这个题目哈完整啊，非常完整的解决这个题目用我们的 ar 提示词来完整的解决这个。呃 f 题。好吧，到时候呢看看这个相关的模型检验代码呀调试啊之类都会都会放在这个放到这个文档里面去哈。 啊想有有取相关的思路源代码啊，大家可以可以那个领取一下。好吧，我把相关的源代码都放在这个地方啊。思路解析相关的好吧来 难度系数不大。三点五分啊不大啊，难整个的模型复杂度呢？中等啊，只需要两个模型一个系统立体，一个多，一个多描优化模型啊，还有就是这个呃 难点呢就是首先呢不同职业类型亮化建模很麻烦，尤其是艺术技木这些呢 内容吧比较复杂一点哈，尤其厨师什么的对吧。这些艺术啊这都比较抽象对不对。难以量化建模啊。这个呢算是一个难点哈，非就业因素啊，像创新社会责任论语啊也不好量化，这都属于模糊，模糊因素对不对 啊。核心要点呢就是啊模型需要覆盖三类且具有代表性，数据来源权威可追溯啊，模型需要明确这个 ai 影响职业的核心内容驱动，别自动化替代效率提升啊。就 ai 是 怎么来影响这个工作 的，是是他是吧，他能够提高效率啊，原来两个人原来一个人三个人一个人的三个人的工作一个人就能干了，他可以提高效率吗对不对。 还有就是教育建议需具体可行啊，包括课程设置中这里啊学生你不要说这个同学选这个课程吧 是吧，选了很多课程，内容太多太杂了也不行，对不对？就是需要满足这要求条件，要同一个学生同一时间不能上两门课，对不对？不同的选修课之间不能冲突。是哎，等等之类的 啊，需要这些约束条件需要考虑到位啊。解析思路，按照这样流程来，第一步啊，职业与机构选择，选择代表性职业，然后匹配对应教育机构啊， 然后呢？影响预测模型，构建 sd 模型，然后呢？来哎， sd 模型来整合 ai 技术成熟度，职业自动化率，市场需求来构建这样的一个模拟关系，就是 ai 它是怎么影响的？来构建 sd 模型系统理学模型来演化，来把整个的演化过程给它建立出来， 然后教育方案优化，用 h b 确定目标教育权重啊，哪些权，哪种是哪些是比较重要的指标，我们放在优先级第一位上，比如说学生就业放在优先级第一位上是吧？然后多目标规划，多目标规划里面的目标权重也是不一样的哈， 然后呢，构建课程体系，然后第四要多目标多因素评价，评价非就业因素评价指标体系。然后第五步推广啊，这样的一个思路来哈，互相要点创新点是吧？量化结果，给出量化指标体系，然后第五步推广啊，这样的一个思路，要给模拟检验也必须要做一点哈， 然后这个题目的话就车长亮化建模的啊，比较好一点。亮化建模的是吧，像一些经管类的啊，文科的也可以做功课类的，慎重啊，因为他不是，他没有什么功课的专业，反而是跟很多教育职业相关的，所以说需要你最好有一定的背景专业来做哈。 啊，这有整个的这个 f 题啊，大家可以看一下哈。然后六个题目来看的话呢，最简单的就这个 a 题，我觉得 a 题真的很简单哈，然后 f 题呢，也还好啊， c 题呢，比较麻烦啊， c 题很很麻烦是吧？数据比较难，然后呢，建模也比较复杂哈， e 题的话呢，更麻烦哈。 d 题的话呢，呃，体育赛事的管理就是比较比较杂乱而已哈。然后呢， b 题的话呢？这个这个 b 题呢？这个四分啊，这个这个他就是 也不要，其实难度系数没那么大。就是就是，相对来说吧，月球基地可能很多人就害怕了，就害怕了哈，那整个的难度系数上来说哈，我觉得 a 题 f 题啊，都还是比较不是很难的，尤其是我推荐你做 a 题比较多一点哈， ok， 这就整个的一个选择题，建议难度分析啊，我觉得选 a 题的同学应该是比较多一点的，和 c、 c 题的话呢，因为给了数据，所以选的人应该也比较多一点哈 啊， a 题呢，是我最推荐你选的，也是大家希望大家啊去认真去做一做的哈。 a 题的话呢，难难获奖难度并不大，按照我说的逐层优化，逐层递进的话，拿到一个大奖应该是不成什么问题的哈。 ok， 这就整个 a、 b， c、 d、 f 题的思路解析啊，小题建议难度难度分析之类的一个文档哈。给大家 准备好了，然后相关的原代码呢？给大家准备好了 a， b， c， d， e， f、 t 的 原代码是吧，都放到相关的资料里面了，休息一下午就开始更新了哈，数据的话呢，老哥会大家继续从全网来寻找来购买哈，购买完之后免费分享给我们所有小伙伴哈，大家注意大家，大家不用担心哈， ok。

好，大家好，那这里是本次美赛 c 题目啊，第一问完整代码以及结果的讲解视频， 那本次这个代码呢，量是非常大的啊，因为这个 c 题目呢，数据库处理啊，包括后面这个实际求解啊，这个步骤是非常繁琐的啊，我收获都跟大家去讲清楚啊，包括这个数据处理之后什么样的样子啊，后面就求其结果，因为我们要得出那个投票数嘛，啊，就这个观众的投票数 啊，我都会一一的去给大家展示啊，请大家务必有耐心的把这个视频呢仔细的去看完啊，那目前第二问代码也是已经完毕了啊，等我后面把三四问全部解决完毕之后，我再给大家录一个完整代码的讲解视频吧。好吧，那么这个视频呢，就先给大家讲一下这个第一问吧。呃， 还有就是这个 a 题目啊， a 题目呢，第一问的代码呢 啊， a t m 这个完整代码我也是已经完成了。呃，一会我会再录一个视频给大家讲一下这个 a t m 的 代码，好吧，好，那么这个 a t m 和 c t m 完整原创论文以及相应代码和结果的说明呢， 大家可以看这个视频的评论区啊，我们预计会在明天，也就是一月三十一号的中午左右就会更新完毕这两道题目的完整论文啊，即刻的代码。好，那么废话不多说，我们来看一下这个梅赛 c t m 的 第一问。呃，题目背景 好，包括这个思路呢，我就不用再给大家去多说了吧，因为我前面这两个视频呢，都跟大家讲过了啊，大家可以继续看前面讲个视频，我就直接从代码开始入手了，好吧，呃，首先我们带人第一步首先要去处理这个数据，我们可以看到呢题目给出我们这个原始的数据呢， 他这个非常非常长的这样一个宽表啊，什么叫宽表？就是他很宽，就是他这个宽度呢？大概是有 这个五十三列吧，应该五十三列，然后呢他这个行数一共是这个四百二十二行，然后包括呢这个题目后面有很多的关于这个数据的一些描述啊，包括呢这个数据的一些注示啊，比如说 n a 指是什么意思，那么进零分的是什么意思啊？ 啊？再比如说一共矮有四位评委啊，然后各种周次啊，反正各种中东西啊，那么这些呢，都是我们在数据处理过程中需要考虑到的东西， 能理解吧？啊？当然我们这个数据处理呢，在第一步的时候，我们最重要的是要把这个数据呢这个官表呢处理为一个适合我们建模的这样一个长表的格式啊。然后在这个处理为长表的这个格式的过程中呢，我们再去把每一个变量 啊，每一个数值啊，包括什么空值啊，零啊， n a 啊这些呢，都做统一的处理，能理解吧？好，我们来看一下这个具体的数据与处理的过程。 呃，还那句话啊，这道题目呢，还是比较复杂的。呃，目前呢，也可以看到网上各种满天飞的什么完整的每一问的代码呀，思路什么的都出来了，我只能说大家 见仁见智吧。啊，就是你这么快的速度，要是把每一问的代码和结果全部都得出的话，那这个质量你可想而知吧啊，总之呢，呃，我只做好我自己的这个代码和结果啊，呃， 好，大家自己去看一下我这个代码就知道了。好，我们来看一下第一步，呃，我们把这个数据呢先上传到这里啊，这是题目原始的这个数据 啊，这原始的数据，我们首先呢第一步先去读取数据，那么这对于原始数据数据中呢？啊，还有这个 n a 的 这个字符串的我们进行处理，然后呢清理列名，去除掉可能会有的空格，然后呢统一进行小写啊，这是为了方便我们后去读取列名， 接下来我们要去解析他们的淘汰周数，那么关于这个思路的方面呢，我们前面就免费思路的原因给大家讲过了，就是我第一问都用的这个模型呢，是这个 mcmc 啊，这个模型这个方案。那么在后面我不是给大家讲了一个这个 每一问的这个关键信息和一些雷区和注意点吗？啊，包括这个阶段一怎么处理百分比置，然后阶段三这个混合之家评为拯救， 然后在数据惊喜中的一些雷区我也给他讲过了。呃，这个呢，大家自己去看我之前的那个数字讲解视频就可以了，我在这里就不多做赘述了。好吧，就顺着代码去跟大家讲吧。总之第一问我们的目标不就是通过题目之后给我们的啊，这个他是否淘汰以及评委的 啊，这个评分啊，包括一些其他的各种数据来去推断出来，他最初时的就是反建构出他最初时的这个粉丝投票数嘛，对不对啊？这是题目要求我们的第一问要去做的这个事情，看一下题目第一问估算的粉丝投票数，好吧， 好，来看一下数据处理。呃，然后呢，接下来下一步呢，我们是要去解析他们的淘汰周数了，我们需要去知道每一个选手到底是在第几周被淘汰的，或者说他是进入了决赛，那么假如说他是没有结果的话呢，那么他就是说啊，坚持到了最后 啊，这是第一个处理，那我们把决赛的处理呢啊，决赛的这个选手呢？进行一个处理啊，就是说假如说 是这样的，那么他们说明他们参加了所有周四啊，我们可以给他们很大的一个数字，一直去表示他们直到这一季的最后一周他都在，那么这个最大数字呢？我就设置为九十九了啊，大家也可以设置为其他数字都行了的啊，都行的， 这个呢，我，我无所谓的，就是你随便设置一个比较大的数字啊，一一百多也行，总之代表就是说他们一直是重活到了决赛，能理解吧？ 好，然后接下来是应用这几级函数，然后我们构建这个长格式数据，去构建这个长格式数据表，我们获取一下它的最大周数，然后提取它所有可能出现的周数， 提取完之后我们去构建这一周这个评委翻数的列名和列表。那么我们这里是假设最多有四个评委，为什么要这样假设呢？因为题目呢，原初始的这个 数据说明里面我们跟我们说过了啊，就是这个 n a 值，通常用于一个，就是说第四位评委的分数啊，假如说这周没有第四位评委，就是一般有三位啊，就是意思就是说最大就是四位嘛，这么个意思。好， 显然在这里我们假设是最多有四个评委，然后提取这一周的分数，然后把这个 n a 值啊和控值呢全部处理 过滤完了之后呢，我们只在这一周有有效分数时候才记录该条数据啊，这周呢，我们就把那些被淘汰之后的周次，我们就自动过滤掉了，因为这个被淘汰之后的周次呢，他的得分都是零嘛，对不对？好，那么接下来就是个长表，他都包含一些什么样的这个 变量啊？一个是他的赛季，一个是他的这个周数啊，然后包括有这个原始列吧，他可以查啊，评委的总分，评委的数量，他是三个还是四个，有的时候可能是三个，有的时候可能是四个，然后呢？这个是本周 啊，由于结果被淘汰的，然后这个全居记录何人该时淘汰，然后呢？这是一个最终名次，这是一个预处理之后的数据啊，这是最终整理出来这个场表 啊，一共就这么几个变量，对，淘秒呢，一共就是两千七百多。行了。好，然后我们去提取它的技术信息表啊，用于这个我们的第三问，这个建模啊，我们一行这个处理就可以了， 处理完了之后呢，我们做一个比较简单的一个结果检查，然后保存这个结果就可以了，我这个结果呢，是保存为了一个域处理后数据啊，那么大家大家可以继续改这个表名啊，这我就不用读，跟大家读说了吧。啊，好， 呃，我们检测的最大周数呢，是一到十一周这个范围，假如呢，我们数据处理之后呢，一共是两千七百七十七行，然后一共是九列包含的总赛季数量呢，一共三十四个赛季嘛，根据这个题目来说， 然后我们检查两个具体的例子吧。啊，好吧，我们来看一下题目给我们的这几个例子， 这个结婚呢，是给我们了一个第一季第四周啊，这几个参赛者，他们最终的这个排名情况啊，排名情况和他们预估的这个粉丝投票数啊，我们就根据这个例子来做一下，来看下代码， 我们可以先看一下这个 s 一 啊，被淘汰的这个人啊，那么他呢是在第四周就被淘汰了，对不对？好，我们来看下代码， 所以呢，他就应该就是说运行完之后呢，他应该被标记为在第四周是淘汰的。其实大家可以看到呢，这个 week 四啊，就是第一赛季的第四周，那么这个人呢，就被标记为淘汰了，后面是个处，对吧？那么另外一个例子就是 s 一 的这个冠军 啊，就是这个评委评判排名的啊，这个第一哦。啊，他就是呢，一直没有被标记过淘汰啊，一直没有被标记过淘汰。好， 那么整个这个数据处理步骤就完成了，然后呢我们检测了一下这两个视力啊，也是正常的合理的啊，但是你们大家也可以去踩，就是说啊，使用一些其他的例子去验证也可以啊，也可以。 ok， 那 么在数据处理全部完成之后呢，我们就要去做这个 啊，实际的我们估算他每一个周四中产生的这个粉丝图飙数 啊，那么这部分的思路呢，我前面也给大家讲过了啊，就是我这题采用的这个模型呢啊，我最终采用的这个方案的是这个避风啊，也是个 mcmc 啊，就是求粉丝投票的这个概率分布情况。 好，我们做一下模拟，那么这部分的核心代码呢？我就不给他展示了，这个核心代码呢，也比较长，呃，也很难，那么这个呢？呃，大家都能拿到我这个论文和代码的人，自己去看就可以了。好吧，呃，我这我就不多赘述了，因为我要保证这个限量，我就给大家展示一下最终这个结果啊，那么最终这个结果呢，我们模拟完之后 也可以得到这样的一个结果，那么这个结果呢啊，我们可以做一些结果分析啊，这个非常非常合理的。然后这里呢，我们求出来其实就是他这个占比，就是投票的占比，大家能理解吗？啊，这是一个投票的占比， 因为我们这个种票数呢，他是不定的啊。这个是还那句话，这个题目在求解决过程中有许多我们需要去注意的点，大家千万不要去忽略啊，去瞎写，哎，记住， 可以看到就像网上各种满天飞的各种思路啊，什么代码视频啊啥的，可能有的很多人都没有讲到这个问题，这是个总票数呢，他是不定的，这是未知的，所以呢，他只是选择一个假设值去产生最终的正确排名，而且呢，这个总票数呢，是我们永远无法得知的，大家能理解吗？ 因为我们这个总收视率的是不定的啊，你，你这个总票数可能是，呃，一百万，有可能是一千万，这个没有人能知道，没有人能知道，我们在书学方面成层面的 最多最多就只能纠解出来他们的投票占比，能理解吗？啊？所以在纠解完这个之后呢，我们得到了他最终的这个结果啊，保存为这个，我们打开给大家看一下这个结果这个结果表格，那这就是他们最终得到这个结果表格啊。我们反推出来这个粉丝投票数， 那么当然了，这也就是我们得出来的这个反推出来的是粉丝投票的占比。投票的占比，那有人要问了， 可是人家题目要求的是让我们给出他们的粉丝投票数呀，对不对啊？人家第一位让让我们给出他具体的粉丝投票数呀，我们估算粉丝投票数呀，包括我们第二问，第三问也都是要用这个粉丝投票估算值和其余数据来计算呀。那，那那以现值投票占比怎么办呢？啊？没关系的，没关系的，这这个呢很好处理， 首先代码里面呢，我们再加入这么一段，把这个估算的份额呢去转换为具体的票数就可以了。那么怎么转换啊？其实就是根据它们的舒适率假设一下，假设一下能理解吧， 那它这个，呃，一般来说啊，这个电视节目呢，都是早期赛季是比较火爆的，那么后期是略有下降的，是我们可以设定为啊，早期的这个 s 一 到 s 十是一千五百万票，那么 s 十一到 s 二十是一千万票，那么后面的这些数是六百万票，那么当然在这个数值大家可以自己去先假设， 而且呢这个数值怎么假设呢？跟我们后面两三位的二三位的求解呢？是没有关系的，能理解吧？就后面二三位呢？有人可能要问了，那这个你假设为这么个票数，那么前面赛季是一千五百万票，后面是六百万票，会不会导致我们第二三问求解的时候，出现这个求解不一致的这个情况呀？ 对不对？这个是完全不会的，因为我们求解一个人淘汰呀，什么排名啊？这情况呢，都是在单个赛季内去完成的， 不存在说是你这一个第一个赛季跟第三十四个赛季进行对比，这个我情况的是不存在的，那样理解吧。啊，所以我们都是在这个单个这个赛季里面循行求进， 所以呢，当然你们也可以设置为 s， 一 到 s 三四都是稳定的，都是一千万票也行，都行，这个呢，我们只是想把这个投票占比呢去转化为他们的 绝对票数而已，这个呢，其实意义也没有多大，包括这个 a 多少万票，你们给黑市进行修改啊，拿到代码的到时候也可以自己去进行修改啊，我这里设置一千五百万票，你刚刚可以把它设置为你一百五十万票啊，这个这个你多减个零也行嘛。啊，这个这个影响都不大的， 因为我们题目上面给出这个意思呢，哎，他也这个票数呢，也是一个估算的，这个估算的好，我们转化完之后我们就可以得到这样一个结果，我们把这个结果打开给大家看一下啊，那这里就是转化之后的啊，这个总的票数我们拖到最后，我们也给大家看一下 啊，那这里就是最后的这个这一点啊，就是他们的这个投票总数了啊，啊，投票数，这这一点就是他们的投票数。好， 那接下来啊火美这个代码呢，就是做这个一致性的检验和确定性的检验了吗？对不对？这也是题目明确要求我们的，其实我们要去看一下啊，他这个一致性的度量啊，是否是一致性的，然后呢再一个就是呢，这个投票总数呢，是有多大的确定性？ 这个一致性度量呢？其实就是说我们这个求解第一问这个模型呢，是精准还是不精准啊？你要就一致性的很低的话，那证明你完全是错的嘛，你投票总数就关键是求解错了的， 就你根据这个投票总数我现在去计算啊，他还跟咱们的淘汰这个结果是完全一致的，比如说我们第一问的这个模型呢，是完全正确且合理的啊，这就是一致性度量的意思。另外一个就是说这个投票的总数呢，有多大的确定性 啊？就这个训练型呢，对于每一个参赛者，每一周或者是总是相同的，是否是总是相同的啊？提供我们一个训练型的度量，这个呢就是我们这个思路得兼独厚的一种优势，因为我们采用这个 mcsm 模型呢， 我们的确定性读量呢，就直接通过我们后延风格的这个标准差和执行区间呢，就会完全能够就直接回答其波中说提出的这个确定性的问题了。哎，所以这也是我为什么最终舍弃掉了其他两个方案。其实我们这个呢，在回答确定性上面呢，是一个非常非常好的一个顶级方案。好，我们来看一下代码， 那么这部不带马的实际确定性度量和一致性检验的这个核心结构，我就给大家展示了，我来开案就用这个结果吧。好吧，那么我在这里呢，我是哎 啊，就是查看了两个人啊，一个是第一个赛季的这个和第一个赛季这个做了一个一次性检验和确定性的毒粮，然后做了一个二十七第二十七个赛季的这个一次性检验和毒粮，那么我为什么会采用二十七赛季呢？啊？这也是根据提议 啊去确定的，就在这个提议里面呢，他是从二十八赛季不是开始变这个规则了吗？啊？二十八赛季开始变规则了，这是因为呢，我们前面中期的这个到二十七赛季发现这个可能啊，这个规则可能不太好或者怎么样的翻开，二十八开赛季不是变了吗？而而且这个二十七赛季呢，不是冲见出现了一个争议吗？就这个人 啊，可能就是因为它出现争议啊，所以最终导致二十八赛季这个规则改变了，所以我们呢最好呢是把二十七赛季呢啊去做一个展示啊，当然你们采用其他赛季也行啊，也行，那我这里给大家展示一下这个第一个赛季的吧。啊，二十七赛季我就给大家展示了，那我这里就会生成一个第一赛季的这样一个趋势图 啊，这就是一个不确定性范围的这样的一个呃呃，图啊，然后这里是他们的不确定性的热力图啊，这是他们的不确定性的热力图， 颜色越红，那就是表示他越不确定啊，那么颜色越淡呢，就是表示他越确定啊。大家这就是完美回答了这个节目中所提出的这个问题啊，一方面我们的一致性呢，全部检验完毕了，再一个呢，我们也就确定性 啊，我们给出了注量啊，也计算出来了啊，然后呢，对于每一个参赛者或者每一周出是否总是相同的，那当然不相同了吗？对不对？那代码这里面热力图都已经给出了吗？每一个这个人啊，每一周他的这个确定性的注量都不一样，我们热力图也获取出来了， 那就完事了啊，二十七赛季的我就不给他多展示了。好，那么第一问完整的这个代码和节目呢，大致就是这个样子啊，我们把第一问的所有决定目标全部都学完毕了，对不对？再来回顾一下啊，这个我们也纠结完毕了，这个也纠结完毕了，这个也纠结完毕了，全部完成了。好吧，呃， 那再给大家说一下，到时候大家拿到我的这个代码和论文的人呢，这个所有代码图片的颜色也都可以进行修改啊，那么关于这个代颜色怎么修改，我到时候在代码里面也都会有注置， 大家到时候拿到我代码和这个代码操作视频的人呢，自己去看就可以了。好吧，那关于问这个完整成品论文和代码的书们，大家可以看这个视频的评论区。 呃，我预计会在明天中午，也是一月三十一号中午左右就更新完毕。呃，美赛 c 题目啊，完整的原创论文签代码和结果，那么到时候呢，也会有一个完整代码和论文的详细视频，那么这个视频呢，只是给大家讲一下第一问， 希望能够帮助到大家，特别是关于这个数据处理部分。呃，希望能够帮助到大家吧，好吧，那么就说到这里吧，呃，谢谢大家。

好，大家好，那么这个视频呢，跟大家讲一下本次美赛啊，我的选题建议以及各题目的这个思路啊，那么我这里已经准备好了一个十一页的啊，这个思路文档，呃，包括 a t 幕和 c t 幕，我个人精准校对之后的啊，这个翻译， 呃啊，我都跟大家去讲，那么在这个思路的讲解过程中呢，我也会把啊大家可能会忽略到的一些关键的信息和雷区注意点，我全部都会跟大家一一讲清楚啊，请大家务必有耐心的把这个视频呢仔细的去看完啊，防止大家在做起过程中呢挖到什么坑。好，那我们首先来看一下这个选择题建议， 那么我们这次选择助攻呢，是 a 题目啊，以及这个 c 题目，那么后续呢，都会完成这两道题目完整原创论文以及相应的代码和结果啊，这个呢，跟我往期的这个比赛都是一样的啊，大家可以继续看我往期的这个视频啊，我现在发布的是这个选题建议和思路视频，那么后面呢 啊，我们预计会在明天，也就是一月三十一号的中午左右就会更新完毕。呃，这两道题目完整的原创论文以及相应代码和结果的这个 教学，那关于这个后续完整成品的说明呢，大家可以看这个视频的评论区啊，这好的不多说啊，我们来看一下这个选择题方面，那么这次这道的六道题目呢， 呃，这个 a 题目啊，是比较硬糙的，加一个智能手机电池的耗电建模，这个呢，题目也明确告诉我们了啊，就要建立一个连续实践数学模型，这个其实就是微分方程模型，这是非常非常经典的啊，大家如果说，呃，你们有受过学校的建模比赛的话，这就是其中非常经典的这种微分方程类的问题。 再一个非常经典的这个题目就是 c 题目了啊，也是往年大家每次都选择最多的这个题目啊，就是纯数据分析类的题目。这次的 c 题目呢，呃，也比较复杂一些，因为它里面有很多规则，包括这个数据说明 啊，这个数据本身呢，也比较复杂一些啊，就是我们或许要去读取和这个处理比较复杂一些，所以呢，在我稍后的讲解过程中呢，我也会把我们在所有的数据读取中啊，可能会出错的地方，我们需要去关注的一些啊，关键的信息和雷区注意点我都为大家讲清楚，好吧， 好，那其余一个题目呢，我不推荐大家去进行选择啊，因为呢，呃一方面获奖率并不高。呃，再就是呢，可能有的题目比较水一点，比如这个 b 题目呢，这个利用太空电机系统建立月球直径。 呃，这道题目呢，估计很多人可能会用 ai 去做这个，呃，就稍微水一点，然后这次的 i、 c、 m 这三道题目啊， d、 f 这三道题目。呃， d 题目的主要难点呢在于我们要去收集一些相应的数据。呃，这个是比较困难的，那再去这道题目呢， 就我们能够采用的模型也比较有限啊，就你想要做的出产的也比较困难啊，比较有限。然后这个 e 题目，被动式遮阳和这个 f 题目啊，这个 e 题目呢， 呃，难度其实并不算高，而且主要是建立这个非稳态的热平衡方程，这个呢，在以往的建模型材里面呢，也比较多一些，但这次这个 e 题目呢，如果我们从横切去从这个获奖角度而言的话啊，眼目图眼大剧进行选择啊，包括这个 f 题目也是一样，这个 f 题目呢，呃， 一方面我们要去收集一些这个相应数据啊，这个稍微能困难一点，再个用这个 i 题目呢，也比较能做得出彩啊。总归呢， 这是为什么推荐大家去选择 d 题目和这个 c 题目呢？因为这两个题目呢，呃，都是大家这次比赛呢，比较容易做得出彩的啊。这个类型的题目， a 题目比较容易做得出彩的地方在于呢， a 题目比较硬核一点啊，我们只要建立合理的违反方程，那么后续呢，我也会跟大家去讲这个啊， a 题目详细完整的建模思路。 好啊，包括一些相应的数据呢，我已经完成了初步的这个收集啊，其这道题目的数据呢，只需需要去收集一些新的参数就可以了。好， 这个呢，做好的话呢，咱们大家这道题目的获奖概率呢，还是很高的好吧，呃，然后就是 ct 目啊，这个数据分析类的题目，呃，我们只要去啊，把各种我们能考虑到的啊，这个数据的参数呢 和注意点我们都落实到位。再一看美国，我们建立合理的注出页模型啊，把题目每一问都解达到位，那么这道题目的扩展率呢，也是比较高的。好，那么选题建议呢，就讲到这里，那么本次的 a 题目和 c 题目呢，我们或许都会完成这个完整的原初论文集现在代码和结果。那关于这个完整的整理的说明呢？大家可以看这个视频的评论区，我们有机会在明天就是一月三十号的中午左右就会更新完毕。 呃，这两个题目完整的原初论文集，现在代码。好，那么废话不多说，我们现在来看一下这个 c 题目的思路。 好，那么这个视频先给大家讲一下这个 c 题目的思路，那么稍后我会再发布的视频去讲解 a 题目的详细思路啊，大家敬请期待。好，我们来先看一下 c 题目。 c 题目呢啊，这也是我人工教对之后的一个精准的翻译版本 啊。呃，因为这样节目的翻译是比较困难的啊，大家容易很多地方出错，如果用 g 翻的话，简直得有一个完整的啊，这样的一个翻译版本。那关于这个， 好，我现在讲解的这个思路，文档呀，包括 a 题目啊， c 题目啊等等的这些人工教对的翻译啊，文档啊，包括这个完整的说明呢，大家都可以看这个视频的评论区。好吧，我来看下 c 题目，那么几乎被讲的我就不多说了。好吧， 他第一位呢，向我们开发一个数学模型。呃，然后呢，为每位参赛者在他们参赛的周四中生成估算的粉丝投票数，那么这个粉丝投票数呢，他是未知的，且被严格保密保守的秘密。就题目给我们的这个数据呢，它里面是只有这个评委的投票数啊，评委的投票数是给出的，但这个粉丝投票数呢，他是完全没有给出的。 然后大家这里面有分了几个子问题啊，一方面是问我们这个模型是否去正确估算了，导致与每周谁被淘汰的结果相一致的粉丝投票啊，提供一个一致性的度量。再一个呢，我们生成的这个粉丝投票数呢，有多大的确定性？那么这种确定性呢，我们要去进行度量。好，我们来看一下这个 ct 目第一问的这个思路， 那么其实呢，整个这个 ct 目呢，它的核心难点就在于我们的粉丝投票数据呢，它是一个未知的引变量啊，我们是只知道粉就是评委的打分和它的输出，输出呢就是谁被淘汰了嘛，对不对？ 我们需要根据这两个呢去反向推导出我们粉丝投票的分布，这是我们的这个问题的核心难点所在啊，也是我们必须要去完成的一步，就是我们第一步呢，先把这个完成，之后呢，我们后面呢才有的做，能理解吗？所以我们基于这个推导出的数据呢，才能够进行后续的政策分析和模型优化。 好，我来看一下啊，针对于问题一，问题一呢，这个估算粉丝投票模型呢，这就是一个参数估计和引变量推断的问题啊，那么这里的模式给大家讲这种三种方案，这三种方案呢，首先第一种方案啊， 就是这个用限行规划或者约束满足模型，那么我们这个呢，就是说把每一周的比赛看做一个方程组，那么假如说每位选手某位选手被淘汰了，而另一个选手就晋级了，那我们当时呢，是必然满足当时的规则约束的啊，比如说他的这个得分啊，是比令格高的，我们把这个粉丝投票占比呢作为决策变量来满足啊，所有淘汰约束为条件 去建立一个优化模型啊，我们建这样优化模型啊，我们的目标函数呢，就是去最大化粉丝投票分布的方差啊，或者最大化商议，就是说在没有信息的时候是最随机的，然后我们去做一次性检验就可以了， 就是计算模型生成的这个排名呢和实际排名的这个系数啊。那么这种思路他的优点呢，就是在数据推导上是比较严谨的，而且我们呢能够生成出一个可行解。那么缺点呢，就是在于他对于排名真的涉及到这个主规划问题就求解呢，是比较困难的，而且可能会存在多克几。 那么在针对于这个本次竞赛而言呢，呃，这个竞赛的潜力还是比较高的啊，就是得分潜力，呃， 就针对于以往这种剑魔比赛而言呢，这是一个比较标准的这样一个运球学剑魔的方式呃，结果是比较稳健的。那么另外一种也是我这次推荐大家去选择的这样一个做法呢啊，就创新性比较强的呃，也比较能够呃帮助大家去进行获奖的这样一个， 我这样去打讲吧。那么第一种方法呢，可能竞赛的获奖潜力就是 h 奖啊。那么第二种就是美赛评委比较喜欢的这种创新性比较强的做法，那我们的这个思路呢，其实就是贝耶斯马尔可夫列蒙特卡罗方法， 我们这个时候就是说不由不要求去求一个单一的追优解，而求这个粉丝投票的概率分布啊，我们假设粉丝投票呢是服从某种鲜艳分布的，然后我们根据每一周的淘汰结果呢，作为观测数据去更新我们的后焰分布啊，正是它的这个相应数量形式。 然后我们过去呢，可以去啊，去研究他这个确定性度量，那我们这个确定度呢，度量呢，就可以直接通过后验分布的标准查或者这些区间去回应题目中关于这个确定性度量的问题，因为这个题目呢是明确要求我们啊，要去看一下我们这个粉丝图标总数呢，有多大确定性的 好。那么这种方法呢啊，它的优点呢，就是我们可以去完美的回答关于确定性的提问啊，而且在理论的这个思维程度上是比较深的，这个难点就在于它的计算量比较大一点，然后代码编写复杂，但这个呢，大家不用去管啊，我这个代码呢，我会呃去完成这个十一的编写，然后大家到时候直接运行我给出的这个 python 代码就可以了 啊，还是跟以往的时候比赛一样，我都会给出这个代码和结果的。好吧，那么这个在竞赛获奖前提方面呢，基本上是能够拿到 m 的 o 奖的。就这个思路方面， 这种模型呢，在求解这种不确定性的繁衍问题上面，基本上可以说天花板了啊，就顶级方案啊，当然还有一种思路呢，就是采用奇葩式模拟或者说遗传算法。呃，这个呢，结果是疑心比较大一点啊，这个我们作为一个备选方案啊，就是说假如我们前面两种方法呢，真的要做不出来的话，就根据实际数据学求解啊，很难跑或者跑不出来的话 啊，那么可以作为一个备选方案。好吧，这个就不跟大家多讲了，来看一下他的第二问。待会他就问呢，让我们根据这个粉丝投票估算值和其余数据啊，就说现在我们这个数据已经得出了，对不对 啊？那包括其他数据，然后根据这些数据呢？我们先汇总完了之后往下看一下，开始让我们去比较和对比节目使用了两种结合屏幕和粉丝的方法啊，解决出排名和百分比在各级产生的结果，然后如果能在结果上出现差异的话，那么是否有一种方法似乎比另一种更偏向于粉丝投票啊？当然再就是我们去检查应用于特定领域的投票方法， 那么然后说世界名人身上呢，都存在争议，也就是存在这个分歧，大家问我们的结合评委方法和 vs 投票的方法呢？是否会导致这个结果相同？再一个就是加入评委，选择淘汰倒数两对中哪一对的额外方法会产生影响结果。这个答案看不懂啊。这个后后面关于数据的注示啊，以及投票方案的制定里面， 呃，人家都有跟大家详细讲，当然大家如果这个呢看起来比较复杂一些，大家可能会听不懂，没关系啊，我在后面呢，我有一个汇总了整个这个关键信息，以及每一问里面我们可能要去注意的一些关键的鉴摩点和注意点，我一会跟大家去讲吧。好吧，呃，我们先来讲下这个思路啊。好， 第二问，我们就是做这样的一个交叉验证模拟，呃，其实我们问题一呢，现在已经得出了对不对？我们就是只是根据问题得到这个推断数据呢，去进行反式式的推理就可以了啊。行，我们第一步呢，我们该先做这个交叉验证的模拟，我们建立一个仿真器，然后我们的实验组啊，第一 就说针对于这个，我原来是百分制笔制的这个数据呢，我们去应用排名制，然后针对于原排名制的数据呢，去应用百分笔制啊这样的一个规则。 ok， 这个我们可以解答呢，是否有一种方法似乎比另一种呢更偏向于粉丝投票问题？好，那么关于第二个看一下 啊，就这个针对于特定案例的分析啊。好，那么前面一个呢，我应该跟大家讲清楚了啊，就是要去后面去做一个偏差度量嘛，就定义一个评委友好度的指标，然后去比较一下这两种机制下这种指标的差异啊， 来看一下是否是会存在啊，这个粉丝一边倒去覆盖评分的这种情况。那么另外一个，接下来针对于这个针对特定案例的一个分析，我们先去提取出来这些人的这个数据，然后我们集中在于以下他们在另一种规则之下的这个新生存概率 啊，嗯，针对于这个加入评委选择抛开倒数两对中啊，哪一对的额外方法呢？会如何去影响结果这样一个问题呢？哎，这里呢就是说关于这个评委拯救环节啊，这就这个条件概率问题就是假如说某个人在某个模型中啊，落入倒数两瓶里面， 并且他的评委分呢是高于对手的，那么假设他被救回来，回去分析一下这是否改变了最终的结果就可以了。那么这个问题二的鉴物术呢，是比较确定的，就说只要问题的数据生成好了啊，那么问题二呢，主要是进行统计和进行逻辑判断啊，思路是比较确定的，来看一下问题三， 问题三就是说使用我们的粉丝投票估算值数据呢，去开发一个模型，来分析各种职业舞者以及数据中可用的名人特征，比如年龄啊，行业啊等等这些影响，然后去分析一下这些因素呢，在多大程度上去影响了名人在比赛中的表现，以及他们以相同的方式影响，是否是以相同的方式影响了评委的评分和粉丝投票。好， 这个呢就是一个典型的回归分析和归音分析的问题，那么这里呢有两种方案，一个呢就是这种混合效应分析 好，我们可以把职业五指呢设定为随机效应，然后把明星特征呢设置为一个固定效应啊，然后呢给出具体的模型，我去分析一下啊，来看这两个方程的，这个评委和粉丝两个方程里面呢，系数悲叹的显著性和大小啊， 来看一下这个系统呢，在这两个模型中呢啊，它们的是否显著的这个问题啊，那么这个呢是我比较推荐大家去进行选择的啊，这种混合效应模型呢，是比较能够去啊，比较好的去处理面板数据的，比普通那种心灵回归模型呢是要好一点了。那么另外一种方案呢，就是这个随机森林或者是啊叉子 boss 啊，其实就是基于树的那些模型啊，比如角色树啊，随机森林啊，就是基于呃树啊，对这种模型 积极学习模型。那么这个呢，就比较无脑一点啊，应该大家大家做过数据分析的题目应该都懂啊，就是你直接把它导入进去，然后跑一遍，就可以得出每一个侧重对于结果的贡献度了 啊，这个呢，优点呢，就是我们能够很好去捕捉非现金的这种关系啊，就直接周谷会跑出来一个重要性的排行啊，这个大家做过数据分析类和积极学习的人都懂， 那么这个呢，就是缺点就是它的解释性能差一点啊，就是我们不能从内部的机理和因果关系呢去很好的解释啊，我们只是跑出来这么一个结果，就传用数据进行驱动啊，这个呢，我后续这样的方案我都去做一下吧啊，看一下哪个效果更好啊，当然目前我推荐的是这个，大家去选第一方案是核像也模型好， 那么最后呢，就是要去提出这个新赛制的嘛，对不对啊？提出抑郁症，每周使用粉丝投票和评委评分的这样的一个系统 啊，让这个系统更公平，或者是在某些方面更好，比如说让这个节目更刺激啊之类的啊，我们自己去选择一个目标，然后呢，哎，去提出一个新的系统就可以了。好， 这样呢，大家就比较自由了啊，有很多种方法，比如说啊，你可以采用加卷法啊，这个理由呢，就是说，呃，好处呢，就是我们可以兼顾名次和表现的差距啊，我们保证每一跳都有这个价值， 要么呢，我们就基于等级分的这样一个动态权重系统，哎，我们随着赛季的进行呢，评委评分的权重呢逐渐降低，然后粉丝权重呢逐渐升高，这样的话，只是大家越看越刺激了，越看越刺激，呃，我们的目标就是追求刺激，对不对？那么再就是啊， 我们可以结合这个评委拯救啊，比如说啊，我们的评委分如果说排名前三的话，那么本周啊，那么无论粉丝投多少票都不会淘汰，我们可以保证那些技术最好的选手呢进入决赛，并且呢同时呢剩余的名额呢交给那些粉丝去进行，我们这个投票就是兼顾了这个公正与这个观赏性 啊，这个呢，大家比较自由了啊，这个关于这个新赛季的提议，大家可以再去提出一些其他的方案，我这里呢也只是给出三种啊这个建议啊，那么在整体的建议上面呢啊，呃，我们大家必须要拿下分，是问题一和问题二，我们要去构建一个稳健的将这个蒙特卡洛模拟框架，去解决这个数据缺失的问题。 好，再一个就是我们后面会拉开差距的分啊，就是会让大家拉开差距的分，一个是问题一的不确定分，不确定性分析是比较重要的，然后呢，问题三的这个混合效应模型，这两个呢，我们在过程中必须要去展示非常漂亮的啊，这样一个自信区间图和系数显著性的这样的一个表格图啊。好， 接下来我给大家讲一下这个题目，我们的一些关键信息和雷区以及注意点，你们大家可以看到呢，这个题目呢，呃，这个数据的注视啊，描述，关于数据的这个描述注视啊，然后包括呢各种投票方案的势力，以及一些规则啊，规则，比如说呢他 啊，这个 a 值是什么意思啊？零分是什么意思等等这些东西，这个是非常非常复杂的，所以呢，我把题目中一些比较关键的信息和连续注意点呢给大家提取了出来啊，那么在视频的后面呢，我来相信大家去进行一个补充啊，防止大家容易踩坑的点。好， 首先是呢魔剑魔里面最容易出错的地方就是这个关于规则变迁的时间线，我们的代码呢，必须要能够根据我们这个赛季呢则自断的去自动切换它的计算逻辑阶段一就是这个排名制，它这个使用赛季呢，是第一赛季和第二赛季啊，这个逻辑呢是这样的 啊，排名制他们的淘汰规则呢？是这样的啊，我就不给大家多注注了吧，好吧，据说数值越大的排名呢越靠后，然后呢他数值越大的就会被淘汰，就这个投票排名制的同排名的制，这个题目里面的这个我后面也给大家讲了啊，后面也跟他讲了， 就说排名越大越靠后。好，那么这里呢我们要去注意一个问题，那如果说我们的总排名是平局怎么办呢？这个题目是没有说的啊，我们需要去进行一个合理的假设，这也是大家需要注意的个点，就是如果说排名出现了平局怎么办这样的一个问题。 好，那么另外一个就是基站案也就这个百分比值，这个呢是在第三赛季到第二十七赛季里面去啊，然后这里是他的这个排名的逻辑 啊，就是各自有各自在帮占比的这个百分比。那么啊，评委分是这样的，某选手的评委分，我们这个百分比的设定呢，就是说这个百分比的设定呢，就是说意思就是说啊，评委分的百分比，就是说某选手的评委分除以当中所有选手的评委总分， 当然了另外一个就是这个粉丝的这个百分比呢，就是说啊，这个选手的粉丝票数除以当中总粉丝的票数。好，我们它的规则呢，就是说 数值最小者被淘汰。接待三呢，就是说啊，从这个第二十八赛季到第三十四赛季，这题目是假设从第二十八赛季开始啊，就是具体的是从哪一个赛季开始的，是并没有说的啊，题目里面说的是假设哦， 那么这个呢，是重新回到了排名至区区三，咱们综合排名这里呢，关键差异呢，就是跟我们最开始的这个排名的这关键差异呢啊，就是有一个综合排名倒数两轮，这个选手呢会进入生死 pk， 那 么最终会淘汰谁呢？是由评委现场投票决定的，而不再是由综合排名决定的，能理解吗？ 虽然在在我们建模里面会有产生一个影响，比如说在第二十八赛季到第三十四赛季的这个逆向推导过程中呢，如果说某一个人排名综合排名呢，是倒数第二，但他没有被淘汰，这是非常合理的，因为评委把他救了，他能理解吗？ 好，那么另外一个问题呢，就是在我们数据清洗和处理方面会存在一些雷区。首先是关于零分的这个含义啊，比如数据中呢是零的，就代表这个选手已经被淘汰了， 然后呢评委人数的变化，有的时候呢可能是三个评委，有的时候呢可能是四个评委，在这个处理方面呢，我们就不能直接用总分了啊，我们必须得去归一化啊。再有个关于这个小数的处理问题， 包括这个 na 值， na 值呢代表的是缺席啊，这个评委或者说休赛周，这个呢，我们在主取出局中呢啊的时候呢，要进行剔除啊，最后呢就是多余一人淘汰，或者说无人淘汰啊，这只是我们相应的处理。 好，那接下来给大家讲一下每一问啊，我们前面的思路已经跟大家讲过了，我们接下来要讲一下每一问的这个注意的点，那么在问题意义里面呢， 前面的思路我们给大家讲过了啊，这点重点就在于我们如何去回答这个确定性的问题，那么有些中呢，这个评委的分叉是很大的啊，粉丝投多少票都破去改变它的结果，那么这种情况下呢，它的确定性是比较低，大家能理解吗？ 那么另外一种呢，就是说评委分是比较接近的，所以呢粉丝投票的微小变化就会导致他们的排名会出现很大的变化，那么这种数据呢，就会意思就是说它的吸引力呢是比较高的 啊，这个答案应该能理解什么意思吧啊，就是假如说分差很大，因为咱们是通过这个评委分和排名去逆退他的粉丝投票嘛，假如他分差很大的话，那如果说你这个粉丝投票呢，多少都不改变结果的话， 你偷懒出来这个趋利性可能是比较低的呀，因为你任何值都可以嘛啊？你偷懒出来任何值都行嘛，你高或者低都无所谓的，那你的趋利性当然很低了，就说它的可信比较差啊。另外一种呢，就是说你这个评委分比较低的情况下 啊，他为啥变化就导致他排名逆转，那么这个时候我们再通过排名和评委分综合起来去逆推他的粉丝投票的话呢？哎，这个就是我们趋利性非常高了，大家能理解吗？啊？ 所以这个这部分我们的衡量指标就是我们的可行结空间的这个奇迹，或者说我们的卡罗样品的方差啊，去看一下它方差大还是小好。然后针对于问题二里面呢，我们的核心 写就用我们去我预测出来这个票数呢，去套用不同的规则，然后呢去针对于具体的案例进行分析啊，比如针对于这个人，他在百分比之下呢，是赢了的啊，我们要去计算一下，假如说他采用了这个评委拯救规则，他会不会在半路就被评委给淘汰掉， 哎，那么再比如说这个第二个赛季的这个人，他在排名之下是亚军，那么假如说换成百分之十的话，他的这样低的分数呢？会不会被这个粉丝投票给拉回来？大家能理解吧？好， 对着问题三里面的这个影响因素分析里面啊，我们前面给大家讲过了，我们要去做这个回归啊，和这个相关性分析， 这里我有这么几个关键变量啊，首先是这个职业舞者啊，这是非常关键的，因为有些职业舞者呢，他的粉丝是非常多的啊，他们能够去带飞队友去演演投票， 我们需要去把职业舞者呢作为一个分类变量啊，进行编码来，或者说作为一个学习效应啊，一直说三四，最后加一个，在数据表里面加一个判定啊，就是看看他是否是职业舞者这样的个灵异判断啊，可以作为一个变量去导入进去， 或者说把它作为一种学习效应进行考虑。哎，那么另外一个就是他的职业归类，比如他的职业呢，如果说是什么球员呐，什么真人秀明星呐，什么老牌演员呐，哎，这个呢，我们也要把它作为一个变量考虑进去， 能理解吧？就在我们这个分析影响因素的时候，我们哪些变量都需要去进行考虑，我先给大家讲一下啊，关于这个职业问题，我们也得考虑进去。 那么再一个呢，就是这个年龄问题了啊，啊，比如某的老某些老人呢，他可能会有些情怀分啊，他的粉丝票呢，可能会比较高一点啊，那么比如说年轻人呢，可能会呃，票都好，那么就偏位分比较高。哎，这个呢，我们只是最开始的这个初识判断啊，只说具体有没有关系，我们就是看后面的那个回归和相关性分析了吗？ 对不对？在我们最开始的这判断的时候呢，我们也先研究一下，大概哪些因素呢，可能都会产生影响，能理解吧， 而且我们在这里呢，不仅要去分析这些影响因素呢，对于结果的影响，还要去分析对于评委分和粉丝票的影响啊，因为这个题目呢也没辙，问了他们对于评委和粉丝的影响方式呢，是否是一样的？ 好，那么大致的这个 ct 幕完整的思路呢？和一些啊，这个在我们纠结过程中啊，要去注意的一些关键的信息和雷区啊，以及一些注意点呢。我这个视频呢，应该都跟大家讲清楚了， 那么这个 c 级目呢，完整人生的问题，现在代码和结果呢，预计会在明天就是一月三十一号的中午左右就会更新完毕，那关于这个完整成为的说明，大家可以看这个视频的评论区。好， 稍后呢，我会再跟大家去讲一下这个 a 级目完整的这个思路啊。呃，我们这次呢会选择 a 级目和 c 级目呢，两到几目啊会同时进行，那么 a 级目思路呢，我一会会再出一个视频，那么这个视频呢啊，大家也可以转发到你的队友群里面，和你的队友呢继续商讨一下选题。 呃，以及呢，假如你们队伍选择 c 一 梦的话呢啊呃，给你们队伍呢啊，转到你们队伍群里面啊，可以去一起看一下，你们在休闲课中呢，可能容易踩了一些坑个点， 呃，包括这个题目的赛前思路，大家都可以去看一下。呃，希望能够帮助到大家啊，呃呃，希望大家呢都能够获得满意的奖项啊，谢谢大家。

大家好，欢迎来到数码教学站，那么本次给带来的是这样数码美赛的一个速成攻略，那么本次视频的话，除了我们整个的一个备赛流程之外，还有我们的一个工具合集，特别是我们的一个 ai 的 一个合集，因为我们知道现在这个数学建模这一块的话， 其实 ai 还是用的比较多的，比较典型的，对吧？像我们用来解题的，用来画图的，或者是用来干其他的事情的，那么比如说我们这地方还有一个是 用来排版的，可以给大家大概的去看一下这个效果， 对吧？这个是 ai 生成的一个排版的一个文件， 可以看到，对吧？里面的一些样式的话，它其实已经绑定好了，已经和我们模板的样式是绑定好了的， 这样的一个有序列表，像我们一般用 ai 写的话，它里面都是没有绑定样式的啊，我们这地方是直接给帮样式给绑定好了，而且我们的一个公式也是完全，对吧？按照它的一个 word， 我 的一个公式的一个格式， 那么绑了样式之后的话，我们就可以很容易的干嘛？我们绑了样式之后，我们一改的话，它就会整个的去进行修改，就不需要担心，对吧？我们改了前面之后，后面要一个一个的去修改了， 这个的话就是我们用来用来建的一个拍板的一个 ai， 但的话里面还有一些缺陷，就是它这个序号，对吧？这个序号的话还没它里面原先就有序号，然后加上我们自带的一个样式，这个序号的话就有两个序号，但是的话应该还可以，说的话也是可以帮我们节约非常多的一个时间了。 那么其次的话还包括我们一些画图的 ai， 还有包括我们这样的一个，对吧？这样的一个翻译润色、审教、预审，来看看我们这样的一篇论文写的到底怎么样？ 然后包括我们这样的一些，比如说查看文献的一些 ai 对 不对？用来查看文献的一些 ai 里面的话，会告诉我们我们应该去参考哪一些文献， 包括去帮助我们去辅助这样的一个编程的一些 ai， 让我们去快速的学习如何实现这些算法，我们到底用对吧？怎么去调库，怎么去调包，怎么去完成我们代码， 这样的话我们既能够学到东西，又能够快速的去完成整个的一个备赛的一个过程。那么我们话不多说，我们直接进入我们的一个正题，那么首先的话是大概的介绍我们的一个美赛的一个情况， 我们这地方的话一共分了九个小节里面都破坏好我们的一个美赛的基本情况。然后我们美赛近几年用了哪些算法，然后我们各个位置，我们到底要准备哪些东西？我们到底要准备哪些软件，以及我们整个的一个 ai 工具的一个汇总。 还有我们就是美赛里面比较重要的一个点，就是我们的一个绘图的一个专题，还有我们的一个数据，我们如何去进行剪辑，以及我们今年美赛的一个论文和翻译，我们到底应该怎么去做 好？那么我们题目类型的话，其实这个东西在美赛里面它的一个官网上面已经有提到过了，那么的话我们一共分为六个赛题，前三个的话是偏数学的就是 mcm， 后三个的话是偏向于交叉学科，就是我们的 acm。 那 么历年来的一个数据题的话是选的最多的，那么对应的一般就是我们的 c 题和 e 题，去年比较特殊，去年选 b 题的人也很多，但是一般的情况下选择 c 和 e 的 人在往年的情况下是最多的， 这两个的话分别是一个数据科学的一个科目，另外一个是我们的可持续发展的一个题目，他们两个的话都是这种数据性比较强的， 所以说的话可能上手的话就相对容易一点。而我们 a 题的话就偏向于我们整个偏向于一个物理机制，类似于呃，像我们国赛的一个 a 题，对吧？里面会有一些微分方程和动力学方程这些东西。然后 b 题的话是一个偏向于优化的一个题目， 他近些年的考点的话还是主要是偏向于可持续发展和社会科学的一个题目， 主要的用的方法的话就是我们的一个东北语言化，然后 d、 c、 d 题的话就是一个专门用来描述图论的一个题目，里面的话百分之百会考到的数据结构就是我们的一个图结构， 然后 f 体的话就是我们的政治经济学，也是我们一个偏向于刺客的一个内容。然后里面比较常用的模型的话就是政治经济学里面比较常用的模型，比如说 d、 i、 d， 然后的话我们的一个 固定效应啊这些东西，那么的话我们要拿到我们的一个 h 奖以上，我们大概的话只要能够打进百分之前三十就可以了，它的一个整体的一个获奖比例还是比较比较高的，相比于国赛而言的话，因为国赛的话我们要拿国奖的话，比例可能就就百分之 百分之二，百分之二左右，对不对？还可能还不到百分之二，但是的话整个美赛的话，你要拿到 m 加以上的话，它的一个概率的话是能够到百分之三十以上的，所以大家完全不用担心。 那么我们来详细介绍一下我们这样的几个题目到底要考哪些东西。 那么 a 题的话主要是解答的还是微分方程这一块，或者是说更加详细一点，动力学方程。那么近些年来 a 题的一个考点的话，基本上还是围绕着动力学去展开， 呃，像一些其他的东西，比如说像我们扩散方程啊，这些东西的话，其实不怎么考到，基本上的话就是在我们动力学，不管是我们的我们的生物环境，还是说我们这种呃自行车的功率，还是说我们这种磨损，这些东西的话，其实都是和我们的一个动力学相关的。 所以说的话如果说我们要去准备 a 题的话，那么的话我们的一个核心的点的话，其实应该放在我们的一个动力学上面来， 那么比较典型的话就是会考到一个 lot 卡方程， lot 卡的话基本上只要涉及到这种环境类的问题，或者是说呃跟环境这种沾边的，基本上的话每赛的话就会用到我们的那个 lot 卡方程， 这个 lot 卡方程的话在我们的 a 题、 b 题和 e 题里面是出现的频率非常高的，它这一个东西会涉及到三个考点。 lot 卡， 它的话是 logist 的， 它的话是 logist 的 一个扩展型，它的话主要的话是描述它的一个增长率的， 基本上的话也是可以呈现出一个 s 型曲线的一个特点，这个的话也是一个非常老的一个模型，已经是上个世纪提出来的，是美赛最喜欢考的模型之一，常见于 a、 b、 e 三道题。 那么其次的话，像数学建模比赛，近些年来喜欢考的一些比较新的内容的话，就是我们的一个贝爷斯用来做繁衍， 那贝耶斯相信大家都不陌生，那像这这个东西在哪些地方考过？在二零二四年国赛的 b 题，二零二五年国赛的 a 题，然后的话在二零 二四年美赛和国美赛的美赛的哪个是来着？二零幺四年，二零五二五年美赛里面也考过，然后的话同时的话研赛也考过。这个东西，现在的话贝耶斯的话相当于是一个现在这个就考考察的一个趋势，也就是说 他现在不光要求你会正着推过去，还要求你会反着推过来。因为为什么呢？我觉得可能是和我们的一个 ai 有 关， 因为 ai 的 话，他喜欢遇到这种问题的话，喜欢做模拟，而不喜欢去推它的概率，而做模拟的话，实际上他喜欢自己去设值，这样的话其实是很很缺乏积极性的。 所以说一般的时候的话，他可能是用来去仿仿 ai， 用我们的一个贝塞尔来仿 ai， 因为说实话我用 ai 测过非常多的题目， ai 非常非常不喜欢用概率分布去进行模，去 模拟一些东西，虽然他本身就是一个概率模型，但是他特别不喜欢用概率分布，他更多的时候会设置一些值或者设置一些常数， 而用概率分布用的非常非常的少。所以说的话，你可以看到我们近两年来各种各样的比赛考概率分布考的非常多，目前就这两年来已经考过的分布有二项分布，拨通分布、指数分布、 几何分布、正态分布，还有哪些？我想一下，去年啊，去年还考了一，去年有一个贝塔分布，呃，还有均匀分布， 然后还有啊对数正态分布，这个的话也是去年，去年的国赛和今年的美赛里面考过的对数正态，然后还有一个韦布尔分布。 其他的话应该就是这近两年来几个大的比赛里面考过的分布的话，基本上就有这些东西。 都说了。现在这个概率分布的话也是一个非常非常热门的一个考点，尤其是在我们偏数学的题目里面，以及在我们一些统计学的题目上面，这种常见分布是一个非常重要的一个考点。 那么第二个的话是我们那个 b 题， b 题的话它是一个也是关于一个优化的一个问题，那么用的最多的话其实是东边优化以及动力学， 那么你可以看到它现在 b 题的一个处出题的一个趋势的话，基本上也是和我们那个可持续发展相关的。比如说我们油货房制啊，对不对？ 什么水电呀，什么保护区呀，什么旅游保护啊，对不对？其实的话很多时候他考的东西的话也是和我们的可学发展相关的，然后的话主要的话也会涉及到一些生态的动力学模型，那么既然有生态动力学模型的话，那么基本上美声的话是离不开这个东西的，洛特卡，对不对？我刚刚说了， 那么其次的话，它里面还有一个是多目标优化，那么的话和我们国赛不同，国赛的话一般不考多目标优化，国赛一般只考我们那个单目标优化，用的比较多的就是我们 遗传魔力退火加智力咨询，对吧？然后的话每赛的话 b 题是喜欢考多目标优化，那么用到的方法的话基本上也很固定， n s g r， 而且一般来说的话，它的一个 b 题的话不会考的 太难，对你的模型要求太高，因为很多时候他的一个难点的话主要是在找数据上面，所以说基本上的话他对于你模型的一个限制没有那么高，就算就像我们之前复现一样，里面可能会有一些明显的，对吧？明显不合理的地方，但是的话， 呃，没有太大的一个影响啊，对吧？对人家评价好像没有什么太大的影响。所以说呢，其实 b 题的话在解析这一块的话是比较容易的，但是的话他的难点的话就是怎么能够找到 能够支撑你去解析的一个数据，你的一个数据来源是不是足够权威，是不是足够官方，那么我们就可以看到有一些同学的话，他们喜欢在什么地方去找数据。简书 c s d n， 知乎 就如这些类似于这种，对吧？这种博客平台，或者说一些贴吧里面这种非官方的一些数据源上面去找数据， 从而导致你整个解决方案的话，他的一个数据，对吧？他的一个基层就没有，就失去了的一个可信性， 那么是从数据上面都出了问题，从机器上面都出了问题，那么你后面的模型你建的再好又有什么用呢？所以说的话，这个的话就是很多同学喜欢遇到遇到一个问题，就是查资料总是喜欢在那一些，对吧？对于我们学术性的一些内容的话，总是喜欢在一些这种薄客平台上面去查资料， 这个的话是非常非常致命的。我们要保证我们的数据，我们的解决方案是足够权威，足够有效的，那么的话，而这些数据的话，它是每个人都可以去写的，它的话是没有 这种，对吧？没有权威的这种背景的，那你不能够保证你的数据是有效的。 那么 ct 就是 我们的一个数据题，数据题的话像往年的话其实考的比较杂，现在的话也开始慢慢的回归我们的一个统计了， 这个的话也是整个数学建模比赛的一个趋势，你可以看一看往年都喜欢考些什么东西，二零幺一一年的巨型狂风，这个的话它当年是考了一个 c b 的 一个题目，对吧？计算机视觉， 然后的话你们会涉及到一些，对吧？一些神经网络、深度的网络的这些理论，甚至还会考到扩散模型 这些比较新颖的一些东西。而往越往后面的话，你会发现他的一个模型是越来越简单，越来越回归传统，不会再考虑那些比较先进的一些东西。二零二二年这种量化的一个问题， 二三年这样的一个关于我们的一个，呃，应该是属于我们的一个自然元处理 nip 的 一个内容， 但是 nip 它没有考的太深，基本也不需要你去去用什么全息薄膜啊，用什么其他的东西去建模，它的话，基本上的话你去用一般的机器学习，它也是可以做的。然后第四第五的话，一个是网球动量效应，一个是我们奥运奖牌预测， 这两个的话就是一个类似于这种序列的一个模型，然后的话加上它的一个贝叶斯 去做繁衍。那么对于数据写的话，它的一个核心的话，现在是越来越回归统计上面的，而不是积极学习，越来越回归传统。那么对于传统问题的话，我们基本上要准备的点的话，就是我们一些比较基础性的 这种计算学模型或者统计学模型，比如说我们回归的现金回归，然后的话我们的决策树，对吧？ 然后我们多相似，多相似回归，然后的话我们的 gbt， 然后的话 random forest， 或者说那 gbt 整个算法族，对吧？里面还有什么擦街 boss 的， 什么那 gbm 什么开的 boss 的， 然后要分类模型的话，这个逻辑的，对吧？逻辑的回归，然后的话还有一个 svm 矩阵数，然后的话加上我们整个元素家族，对吧？ finn forest， 叉级 boss， gbt， 然后的话我们的来的基本 m 开的 boss， 诸如此类。 当然的话还有一些是比较更加传统的这种分类模型，比如说我们的朴素贝叶斯，那么第三个的话就是我们的一个时间训练，时间训练的话基本上考察的点也是那么几个，一个是我们的 lma， 对 吧？ 智慧会叉分移动模拟平均模型，然后的话还有我们的一个 lstm 长短是 gg 网络，然后的话可能对于我们多变量的话还可以用一个我们那个 one 向量智慧微， 那么的话，其实这个地方的话，我们也给大家去准备了那个今天一些比较常见的模型， 对吧？比较常用的 a m a s l t m， 然后 proper hat， 然后一个 one， 然后我们的一般回归现金回归，多向式回归，逐步回归拉索 s o m， 绝对数水就是零 g b d t 分 类逻辑回归 s o m， 绝对数水就是零 g b d t t， 然后剧类的话，目前用的最多的话就是我们一个 k means 和我们的一个 db scan， 所以说的话，其实你觉得这个它里面考的东西很杂，但是实际上的话，你把它归正一下的话，其实也就是那么些东西。如果说你要去准备某一个赛题的话，其实你所要准备的东西没有那么多， 那么第一题的话就是一个永恒不变的一个图论的一个题目了，图论加上我们的一个评价， 那么因为图的话，它本身的话像一些 python 包，比如说我们的 networks， 基本上你只要把图建出来之后，所有的图的一些算法的话，你都可以直接去用一个函数去实现，说实话它不可能只可能那么简单，不然的话你只要把图给建立出来了，那个题目你就解出来了，不管你用什么模型，它里面都要有一个函数去实现， 那么所以说的话，他怎么去增加你这样的一个建模的难度呢？他就喜欢把我们的这个图和我们的评价模型去靠起来。你要建图，你必须要有什么东西？要有节点和边，对不对？ 那么边要有什么东西，边是不是应该有权重？那我很简单，我不把这个边的权重给你，或者说把权重啊给你很多个指标，你不知道你选选哪个指标作为他的一个核心权重，你也不知道怎么把它综合起来。那么这个时候我怎么去确定边权呢？我就等于用评价模型，对吧？就会给他们打分。 它的核心的话就是要去量化我们的一个编权，原先的话我们只需要去把我们的节点和编识别出来，然后建立一个图就完事了。现在的话就需要你去自己去计算它的一个编了， 这个的话就是他目前喜欢考的一个点，尤其是像我们那个去年建的一个交通网络，那么我们一个交通，我们一个马路有什么？有它的一个长度，对吧？有车道的数量，车道的数量和长度这两东西决定了它这个地方能够容容纳多少辆车， 然后他的一个限速，限速的话决定他每个单时，每个单位时间内可以通过多少辆车，以及我们当一个节点失效的时候，比如说我们有基本上要维修，对吧？或者说什么像去年可能就是倒塌一个边失效了之后，那么他的一个流量应该怎么去分割？ 分割之后会对虾的编权，会对虾的编造成什么的影响？然后的话它整个是一个从静态到动态的一个过程，但是的核心的话仍然是围绕图去展开。好，那么我们来看一下一体一体的话，历年的话都是可持续发展的一个题目。 那么什么食物系统啊，什么碳烊，什么财产保险，什么龙帝，它的一个考法非常非常的多变， 因为我们可持续发展的话其实是一门课，对吧？它是一个很大的一个议题，它没有说专门的去针对某一个特定的领域 所说的话，这个东西是比较头疼的，但是的话里面一些比较典型的一些方法，呃，有我们的一个裸特卡。其次的话就是我们美赛最喜欢考的评价模型，评价模型的话基本上在美赛里面用的就是三个 i、 g、 p、 top、 cs 和商权法这么三个模型。 如果说你想把我们这个一体里面所有可能考的模型全都学一遍的话，那么的话可能就不太可能了，因为你可以可以看看到底是考些什么东西，像我们去年，去年什么玩意，不对，前年 保险里面都考精算，考你的精算这个东西，所以说的话它里面实际上实际上的专业非常非常的多，你很难去完全的准备好，但是的话我们可以把它经常考的一些东西，就是说 这些比较通用的模型给它准备好，像这些专用的模型的话，我们是没办法去一一准备的，我们只需要掌握好它通用模型，其他内容的话，我们到时候现去查文献，或者说现去用我们的 ai 的 话，呃，它的一个效率的话其实也很高， 而且非常节约，我们这个时间我们还是尽可能去把我们整体的一个基石去准备好，而我们其他的，对吧？这个东西的话，我们要去准备的话，它这个性价比实在太低了， 你总不能可能，对吧？还有这么几天的时间，还有十天的时间，你去把我们这么多的专业全部学一遍，这个的话不太现实，也没有那个必要。 那么 f d 的 话就是一个政治经济学的内容了，那么政治经济学这个东西的话，其实应该有相关专业同学，对吧？ 基本上你要用的那一个模型的话，就是政治经济学里面那几个 d i d， 对 吧？双重差分面板回归，然后我们的 还有什么来着？那个叫什么来着？那个结构方程 s e m， 然后的话用来去做我们的一个因果的，对吧？ 还有呃，固定效应，然后以及我们万年不变的这样的一个平价模型。而平价模型呢，我没有说过每三里面设计的平价模型就是基本上就三个， a h p、 top six 和双转法，然后的话常用组合就是 a h p 加双转法和 top six 加双转法。这个的话不管你怎么搞的话，选择这几个模型是不会出错的，如果说考平价问题的话，选择这几个模型是不会出错的。 除此之外呢，我们评价模型的话，还有一些其他的什么模糊中的评价，然后什么这种数据报告分析，什么字和笔灰色关联，这东西虽然说里面呃也有用到，但是的话你要去看具体场景，你不如这些东西通用的不如这些通用的模型，对不对？ 三权法加乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘乘 乘乘乘乘乘乘乘乘乘乘， 乱七八糟的什么都考一点，但是的话其实模型就是那么些，只是说换了一个场景而已。那么如果说要准备这样 f 题的话，最好还是有这么一点点的去准备一点点这样的一个政治经济学的一个内容， 这的话相当于说一些比较专业的一个领域。但是的话其实模型也我们也说过了 d i d， 然后的话我们的面板回归我们的结构方程 s e m， 然后还有一个是我们这个固定效应 政治经营协议用来用去的话，基本上就是这么东西，然后我让你去衡量一下，对吧？这个用这几个模型去衡量一下这个政策实施对于我们这样的一个东西有什么影响，这个影响是否显著就 ok 了。 好，那么我们来看一看各个位置的一个速成攻略，那么的话这个地方后面的话都是给大家附上这个超链接的，大家可以直接去拿着使用。 那么一般的时候我们在做数学建模的时候，还是会建议大家去用 python， 因为 ai 写 python 的 能力比较强，这个是确实是这样的，目前 ai， 呃， ai 拷定它的一个， 它的一个强项的话，基本上就体现在它的一个 python 和一个 js 上面，因为这两个东西它是开源的，而且的话生态非常丰富，所以说的话基本上我会如果说你是完全小白的话，我会建议你去用 python 来写，它的环境也比较比较好，安， 也不像 maclab 那 么一搞就是二十多个 g， 而且如果说大家不想去一个一个的去安纳第三方库的话，你可以直接去安装一个 l 空的，里面的话基本上就包含了我们这样数据建模里面一些比较常见的库， 比如说我们矩阵预算单派，然后的话我们表格，对吧？数据分析 panda， 我 们的科学计算三派，然后的话我们的统计学 this models， 然后我们的画图 maple 和 c 泵里面的话，已经完全集成了，你不需要再去重新下载。那么除了一些比较特殊的情况啊，比如说你对于 像我们一些素专的同学，或者说数学相关的同学的话，可能还是用 maclab 用的比较多，那么的话如果说你之前没有接触过 python， 你 之前一直用的是 maclab 的 话，那么的话你也没必要去为了这个东西去专门重新学学一门语言，你继续用你的 maclab 也也可以， 这个的话一定是按照自己的一个自身的一个情况来的，不要说对吧？为了追求某一个语言啊，又追求某一个工具，因为工具最后还是为我们人类服务的嘛，对不对？你最后还是要选择自己顺手的一个。 那 my lab 的 话，它主要是在它的一个稳定性和它的一个运行速度上面，它的一个运行速度的话是要比 python 要稍微快一些的，而且的话它不会有很多那种环境的问题，因为 python 的 话， 它的优点就是它的各种各样的库很多，那么缺点的话就是它的各种各样的库可能会有冲突问题，所以说的话 maclab 的 话，它的稳，它的胜呢？就是胜在稳定性，不会有各种各样的环境问题，对于我们这种完全没有搞过计算机同学来说的话，可能还是比较友好的， 因为你遇到的环境问题的话，你可能完全没有搞过计算机的话，可能完全不知道该怎么去修这个东西，它又不像我们这个程序保守它是环境问题。 然后的话我们可以去根据我们这样的一些算法去收集我们的代码包，去准备好我们自己的一个知识库，然后同时确保我们这些代码都可以正常运行，不要到时候我们到了美赛的时候再去 再去搞，结果呢发现啊，你这个当你本地的一个环境出了问题，你这些有些算法你是不能运行的，然后呢到时候去现场修环境，那么你就非常浪费时间说提前把我们常见的算法去准备好，常见的算法的代码包准备好，去一个一个测一遍， 看你到底有没有哪些问题，能不能够跑得通，跑得通的话就没有什么问题，当然的话我们这地方的话也可以去借助 ai 来帮我们完成，对不对？我们可以去告诉他，你需要准备 ai 去， 你需要准备 mcmic 竞赛，作为编程手，你要了解常见的比如说优化算法，或者说统计算法，或者说怎么预测算法，或者说具体分析算法，然后的话以及对应的 api 实现 api 的 话就它的一个编程的接口嘛，然后给它详细的算法，应用场景，适用条件， api 说明，代码视力说明，然后的话整理出来，整理成我们一个讲义的形式， 然后的话我们就知道哦，有一些 lp， lp 的 话可以在我们一个包叫做零 pro， 然后约束是什么？ x 一 加 x 大 于等于十，哦，计算于负 x 一 减 x 二小于等于负十，对不对？哦？那就是系数是负一，系数是负一，结果是负十，这个是我们那个标准形式，要化为我们那个标准形式，标准形式的话是小于等于的形式，然后约束公式二 x 一 加一 x 二，对吧？小于等于的形式， 然后约束公式二 x 一 加一 x 二，对吧？小于等于的十六，那么就是二一，然后一个十六， 那么的话这个的话就是我们的一个，我们的一个矩阵就定义完毕了，然后我们就直接调一个库，对吧？把这个函数给调用进来，把我们这些约束条件，我们的目标函数全部都传入进去，然后我们就可以完成一个求结了， 然后还有包括我们各种各样数学题目比赛里面最常见的一类这个混合整数陷阱规划，对吧？ m a l p， 哦，要用这个包 p o l p 这个包，然后的话你去完成这样的一个实线， 然后什么约束规划呀，对吧？突优化呀，然后连续非限性优化，然后我们非限性最小而成，对吧？图，网络背包，然后我们插帧净化，然后的话模拟退火， 地方是给了一个文档，然后 ga 啊，这个地方也是给了一个文档，还没有给出具体的代码性，然后我们那个拍末 n s g r 也在拍末里面， 然后哪些东西是我们翻车点，然后的话我们怎么把它写成约束，然后我们验证一下我们是不是真的能够解得好，它会，对吧？全部都给你输出来， 所以说的话这个东西来这个地方就有世界代码了，所以说的话来辅助我们学习的话，整体的一个效率还是非常高的， 比起我们自己去一步一步的学的话，它的一个效率肯定是可以成倍的提高，我们不要去抗拒新工具的使用，对吧？我们要学会把新工具用的熟练，然后的话去加快自己的一个效率。 那么对于剑魔手而言呢？剑魔手就是整个团队的大脑，对于剑魔手而言的话，你必须要熟悉我们常用的模型，熟悉他们常用的场景，然后并且能够有拍板的一个能力，对不对？你要能够确定下来我这个场景里面什么样的模型就是最适合的， 我们这个队伍大的方向是什么？我们必须要朝着这个大的方向走，你也必须要作为我们团队大脑的一个身份，然后的话去推动整个团队前进。那么对于我们数学建模而言的话，常用的算法，常用的算法就是这么四类， 基于分析、运筹、优化去梳理、统计和评价，那么的话，这地方的话，我们前面的话也给大家去展示过这个流程图了，对不对？我们常用的哪些算法？ 那么对于我们很多同学来说的话，那么学习这个东西，学习这个 模型去看公式，实际上是非常枯燥无味的，而且很多时候的话，你对于一个背三而言的话，你并不需要去把公式的原理给它扣清楚，你只需要知道它这个模型应该用在哪些地方就可以了？那么比较典型的我们也可以用我们的 ai 去辅助我们， 比如说我们可以用那个 labkin， 那 么 labkin 的 话它就可以，我们怎么去用呢？我们可以首先的话我们去用我们的 gmail 呀，或者说用我们的 gpt 啊，去让它去给你规整出一套。呃，这样的一个模型， 它是用在哪地方的？然后让它用非数学的新的语言给你描述出来，然后你就把这一段语言，然后的话你直接扔给 labkin， 然后的话它就可以去给你生成出一些小卡片， 对不对？比如说什么是正在分布呀？然后我们怎么去分类啊？嗯， 那的话大概的话就是这么样一个效果，对不对？比如说我们的 a h p 每赛里面出现频率最高的一个模型，我们要干嘛？首先的话写清目标，加备选项，然后列出我最在乎的三到五个标准，然后标准之间两两对比算出权重，然后每个方案按照标准 表现评分自动汇总得到排名 啊，在这个地方对不对？然后比如说什么是吉拉斯坦估计啊？哦，我们要通过我们观察到的数据。嗯， 它这个的话是国内访问，国内访问比较慢，它这个是外网的，不挂贴纸也可以访问，但是的话访问速度比较受限， 大概的话就是这么一个效果，可以，你可以让 jimmy 呀这些东西用，让他去用非数学性的语言，用讲故事的语言把你让，让他把一个模型给他，给你讲清楚。 今天这个网是这么慢吗？这谁偷我网呢？这是 好，让他先深层一会吧，这平常按道理来说的话，平常都是秒出的，今天这是发生什么事情了？这是网被偷了 对吧？我们要把一团乱麻的复杂问题拆分成一个一个简单的二选一的小问题，然后的话通过像洋葱一样怎么分析基于内心的真实偏好，哪个选手是这样赢家？ 然后比如说我们要去搭建一个金字塔对不对？然后去擂台侧对比较，然后的话加权。 我们的目的就是让我们把我觉得这种模糊的感觉变成清晰的结构，然后的话不忽略主观喜好，如实的计算对于这种结果的影响。比如说把我们的主观变得客观，然后如果团队有错的话，可以分头给权重，最好算平均值，避免吵架。 通过这些方式的话，我们就可以很清楚明了的去把我们这样一些难搞的数学公式，然后的话变成我们比较生动的语言， 但的话我们也不能够只懂原理，我们完全没有实战经验对不对？我们可以去通过我们这样的一些教材啊，对吧？这这个是非常经典的一本书，可以通过里面的这些教材，然后的话去干嘛呢？去做一做里面的题目， 看看我们学会了之后到底能不能够把它给用出来，到底能不能把它用的好。我们需要用实战来进行演练， 然后的话当然我们演练的话也不能够只靠我们自己，我们需要我们三个人来进行协调， 因为你一个人效率高，并不能代表你在美赛里面就可以取得非常好的成绩，我们最后的话我们还是要三个人协同去完成的，当然的话，如果说你能够去单刷的话，那么要当我没说，对吧？单刷的话你应该也不需要来看这个课了， 那么对于我们团队大脑来说的话，你必须要保证，对吧？保持你的一个思维是活跃的，如果说你没有办法去保持你的思维活跃的话，那么你就一定要把工具给用好，确保你能够把握整个团队的一个效率。 那么对于论文而言的话，其实除了写作之外，还有一个非常非常重要的点是画图。虽然说数据格式化是应该由编程手去完成，但是的话 里面我们知道美册里面除了数据格式化还有很多其他东西，比如说我们 ourwork， 对 吧？很多流程图、框架图、示意图这些东西。 而且对于诺言来说的话，你提交的就是你们整个队伍的一个脸面，如果说你的这样的一个排版非常乱，然后的话，你让你的这种图标非常不专业的话，那么基本上你的一个内容的话，对于屏幕来说就完全没有任何吸引力了，因为他根本就不会去细看，他在我们的第一关就把你给 pass 掉了，因为他对你的印象实在太差了， 这个是大家非常要注意的点，至少说你的一个排版看起来不那么乱，至少要要工整一点，不是说你要排的多么的好，多么的专业，至少说你的一个基本项还是要保持的。那么我看到的话啊，就目前我们带过的这些队伍里面有一些非常典型的一些问题， 图表字体不统一、大小不统一、样式不统一， 这个是我们遇到的队伍里面非常常见的一种现象，我们为什么一直强调大家要去用模板去写作呢？因为你用模板刷了之后，你可以强制的保证他们的样式是一样的， 但是如果说你自己去一个一个的调格式的话，你要到时候你有的大，有的小，很乱很乱，让人看着之后第一印象非常非常的差。所以说的话还是不建议大家自己去一个一个的去调格式，尽可能的去用模板去刷格式，保证你的文的样式是一样的， 否则你做的再好，你的模型建立的再完美，你的这个第一关就没过去，那都没有什么用。 那么对于一个论文而言的话，你不能说你只会排版就完事了，你还要去写作呀？你写作的话，你如果说你完全不懂这些东西的话，那你写的出来吗？你不能够完全指望着去复制粘贴吧， 也不能够完全百分之百的去抄 ai 吧，这个东西的话你必须要有带有一些自己的一些理解，否则的话你的这样一个论文那个拼凑痕迹是非常重的， 而且这个东西的话是很容易看出来的，至少说我们拿到一篇这种拼凑痕迹比较明显的论文的话，我们可以很明显的看出来你哪些东西不是你自己写的，和你的这个文风完全不统一。 所以说的话，你一定要把自己的一个这样的一个写作的一个专业性给提起来，当然怎么提的话，我后面的话也会给大家列出一个工具，然后最后的话，我们这一段时间的话，就是尽可能的去协同，尽可能的去合作，尽可能的去加快我们整个团队这个效率。 那么我们数学建模比赛里面会涉及到哪一些软件呢？那么除了我们编程用的 python lab 对 不对？还有的话就是我们的 alaconda 和拍唱或者是我们 vs code 的， 那么 alaconda 的 话就是用来就是一个环境管理的一个东西，它的话自带了一些数据科学的环境，可以去帮助我们，可以包含我们大部分数学建模比赛里面的一些算法 来加快我们的效率。拍像和 vs 刻的话就是写代码的一个工具，那么一般的话，我们追求轻量化的话，我们还是用 vs 刻的用的比较多一点，拍像的话可能相对于而言会更专一点，更适合于用工程环境一点。 然后的话，一般的情况下我们用 g 拍的环节，那么 g 拍的话也是按照 ctrl 自带的，他的话就可以，你他的话就可以让你写多少，对吧？有有一边写边测试，边写边测试，而不是说你一次把一道题全部写出来，到后到时候啊改一改，全部都要改， 那么就很麻烦。所以说我们一般的时候会建议大家去用我们那个主拍的环境去完成。那么我们一般的绘图软件的话，那么 visa 的 话，我相信大家应该都是用过的，这个学校的话应该也会教，对不对？ 其次的话 ppt 也是我们一个常用的一个绘图的一个工具，那么的话之前的话，比如说我们一些环状图啊，其实用 ppt 绘制还是比较方便的，我来找一找。 嗯，应该不是这一门， 应该是第三个吧， 比如说一些环状图啊，对不对？这种类型的图片用 ppt 绘的话还是其实还是比较方便的， 无非就是给它加一个什么设限渐变嘛，对不对？然后把大家都给调整，然后到环状文字的话， ppt 里面也有自带的，这个的话就没有什么 挺方便的，只要说你用的比较熟的话，就没有什么太大问题。然后 wechat on 的 话，这种东西的话，它是一个在线网站，它里面的话也是有比较多的一些素材，来找一找 wechat on 在 每个点 wechat on 对 吧，里面的话其实也有非常多的一些素材， 它里面可以绘制的图还是挺多的，各种各样的都有。 再然后的话就是我们的一个 auto cad， cad 的 话这个应该学功课的同学的话都会接触到，对不对？可以画一些这种示意图啊，尽力图啊，特别是几何这一块的东西， 用 cad 的 话应该可以非常方便的进行模拟，而且的话你可以去把它的一个比例给它还原出来。然后的话还有一个的话是我们的一个飞格桌 里面，头面给我们提供了非常多的绘图模板，但是的话它主要的话还是面向于生物科学的，里面有些内容的话我们可以拿来套，但是的话有些内容的话我们不好直接套， 比如说这种我们去掏一些可持续发展的话，可能就没有什么问题，对不对？然后这个的话我们可能要去换一换他的一些样式和底色，然后这个的话我们倒是可以直接拿来用，只是说要把这个，对吧？这些东西换一换就可以用 里面的内容的话其实还是挺多的。 还有个的话就是我们的一个意图图示，那么的话这个意图图示的话我相信大家都已经非常熟悉了，那么比如说我们前面去复现的这项一些 我们之前去复现的一些论文，那里面那些图片就是 overwork 那 一部分的话都是用意图图示去做还原，或者是用 ppt 去做还原。但我觉得意图图示可能要更好用一点， 因为里面的话给我们提供非常多的模板和样式，我们可以直接拿来去套，然后的话 ppt 的 话可能很多东西，很多形状的话要自己去剪，所以说我们尽可能的去加快一下我们的一个， 加快一下我们的一个效率，这个是一个七零五 啊，比如说这个是我们的一个 f 题的， 那么写作软件的话，基本上呢它就是我们那个 lo word 和 laxt， 那 么 laxt 的 话我们一般都会用我们 laxt 加 vs code 的 一个形式。那么前面我们不是给大家展示那个有一个自动排版的吗？里面其实是同样的可以去拍了，我们的一个 laxt 应该在我们啊在这个地方扣子，当然的话这个的话也是基于我们美赛的一个模板，不因为我们 不然的话到时候环境冲突的话会麻，很麻烦。所以说的话，你首先的话要把我们那个美赛的模板和我们他那个模板文件给它传入进去，然后的话再去让他去做生成， 这样的话它里面生成出来的文件的话就可以去完全的去符合我们模板的一个内容， 然后最后的话就会给我们生成出来一份 text 文件，然后我们直接把 text 文件去替换掉我们原来的文件就可以了，还是非常方便的。 那么对于我们 ai 工具的话，那么我们比较头疼的查文献，查文献的话有我们的星火科研助手里面我给看暗度了，我们可以去搜，对吧？可以去搜我们的文献， 然后还可以去生成我们的中数。那么其实美赛的话里面有一个小节的话，是用来写我们的中数的，就是我们那个 layer feature view 那 一个部分， 嗯 啊，这是解锁历史中数列表这个地方， 对吧？它里面的话是可以给我们去生产钟数的，我们可以去根据我们这样的一个比赛里面的一个情况，然后的话去看看我们到底用哪些文献来辅助。 那么除此之外的话还包括我们什么深度研修啊，对不对？比如说我们要研究哪个主题，当然话这个的话一般在美赛里面可能还是不怎么用的到，以及我们论文研读啊，对不对？我们这个论文讲的什么东西？但是我看这个论文研读的功能的话，我感觉还是不如这个网站好。 然后包括我们翻译，当然翻译的话里面有限制，它里面的翻译的话是有，对吧？两千个字母的限制，每次的话只有两千个字母，所以说基本上我们写完一个小节之后，我们就要去翻译一个小节了， 然后包括我们的一个润色，我们怎么让他去更加学术化一点，怎么让他看起来，对吧？高级一点，怎么符合英语的一个说话习惯，我们可以通过这样的一个学术润色的一个功能， 那比如说我们来随便审一篇论文吧， 那么比如说我们前面有的同学，对吧？自己写了论文之后，不知道自己写的怎么样，就可以通过这样的一个审校的一个功能 来看看，对吧？自己到底有哪些缺陷？看看大家我们这个团队有哪些内容是没有考虑到的，就可以通过对吧？这样的一个 ai 评选的这样的一个功能来帮助我们提高整个团队的一个水平。这么慢， 今天这个网络真的不对劲， 好，终于上传出上来了啊，这样一篇论文是干到一个什么东西？ id， 哦，老朋友了， 好，优点是哪些缺点呢？模型假设较为理想化，数据预处理细节不足，对不对？模型验证和比较不充分，缺乏与其他基建模型的对比分析， 无法全面评估所提模型的相对优越性。对模型局限性讨论不足，对吧？没有存在扩力、扩力和问题以及泛化能力的讨论 符号和公式没有解释得清楚，对吧？ apple shell i 的 具体含义未作详细说明，参考文献引用不规范 对不对？然后改进了建议综合评分。哇，欧奖论文三点五分刚刚集合，所以说的话，这个竞赛论文和我们的学术论文，对吧？看看这个差距还是挺大的，因为欧奖论文的话在我们这里也就是刚刚过几何线的一个水平。 然后其次的话就是我们那个 s c s pace， s c s pace 的 话，这个动画应该之前有跟过我们国赛的同学的话应该知道， 他的话只需要你，比如说你这个地方用的很，用了很多 ai， 结果你完全没有查文献，到时候你要交的时候发现你没有文献，那么的话怎么办？你直接把你的一个专利给它上传上去， 那么的话他就会根据你的个专利内容，或者是说根据你所提的内容去寻找对应的文献，同时的话生成一篇类似于中数的这样一个东西， 然后后面的话就会附上它的一个参考文献，而且的话它里面还可以去做一个分类， 对不对？ d p 模型 rostop 文件优化，然后的话 rcf 质量控制对吧？不是质量控制，生产质量，制造质量啊，系统上面的生产质量有个问题， powermad 生产质量问题， scholar 生产质量问题，质量控制， 对吧？有模型也有我们的来源，这个的话都很明确的， 这样的话也可以避免我们这样的一些 ai 去胡编乱造一些文献。 当然的话这些我们也给大家提到过扣子那个智能体 这个又改版了， 这个里面的话就可以根据我们这样的一篇，我们直接把我们的一个赛题给上传上去， 把它的赛题上传上去之后，它就会直接根据我们这样的一些内容，然后的话去对应的去查找文献，去查找我们的一个解决方案，对不对？后面的话也会附上我们的一个文献 啊，这个还是比较少的，这个的话是因为它里面的话在原文里面是给我们提供了一些文件，所以的话比较少。之前我们测过的那个 a t 的 话，它后面附的文件还是比较多的， 那么阿密的话就是我们之前说过的我们这个东西的话，如果说我们要去做我们的一个问答的话，那么的话我们就可以通过我们这样阿密的去来做我们的一个交互， 他会告诉你这个东西哈，我还研究了一个什么样内容，然后的话按那个论文概要，然后的话可以问一问他这个里面到底用的什么东西啊？这个的话就可以加快我们读文献的一个过程， 比如说我这地方提问模型一部分用的哪些方法解决哪些问题，他就告诉我们哦， 首先抽向我们的交通网络，然后的话用双旋法确定我们的边权，然后用流量平衡方程模拟我们的一个桥梁的倒塌，最后用我们的这样的迪迦斯克拉算法去分析他的一个最短路， 然后用 a a d t 去分析它的一个交通流的一个变化，这样的话就可以非常快的，对吧？快速的去过一篇论文，省得我们还要一个的去翻，一个去读，到时候又浪费时间，然后的话还不一定读的明白。 当然的话我们也可以让他去给出我们的一些思路，它里面的话其实是类似的我们一个 glm 模型所制服的一个模型，对不对？ 它里面集成了我们制图的模型，然后你可以让他去给你一些这种解决的思路，那么的话一般的还有这种学术专用型的 ai 的 话，他一般给的内容还是偏向于学术性一点的。 那么对于我们编程的话，我们也可以直接让我们的一个 gpt 去帮助我们去编程，让他直接给出我们的一个代码，然后我们直接把代码去跑就可以了。 然后同样的我们的一个 ai 的 话，它里面也有一个画图的一个功能，嗯，这地方好像 ppt 没更新， 那么的话这地方的话一个是我们那个 infamend 的， 一个是我们那个 sora， 这个的话我之前我前面还加了一个 banana 的， 就是我们那个 juma 的 juma 里的，那么 infamend 是 里面可以去有一个科研汇总的过程，哎， 但是问题的话就是它那个中文不太油耗，所以说一般的中文的图片的话，一般还是用我们的一个呃节目来说画，但是的话我们美赛的英文的话可以考虑用我们的 infamend， 那 个有点太卡了吧。今天 so 的 话是我们的一个 gpt 里面的一个模型，然后的话它里面同样的也可以用 gpt 来画图，然后我们也可以去用我们的 啊接下来来画图，那么接下来的话我就帮自己来演示吧。比如说我们把我们的论文上传给他，然后告诉他我们到底应该要怎么画图， 对吧？我们把我们的一个问题上传给他，然后问他，让他去帮我们设计 t 的 十，然后的话去让他去给我们生成对应的 t 的 十，我们就会把 t 的 十直接复制到我们的积木栏里面来，然后的话让他去帮我们去生成对应的图片， 那么的话我们可以来测一测，看看他在这个地方画出来的东西到底是怎么样的。 这个是不是题词有点简单呢？ 等一下我们换一个题，他的一个内容比较丰富一点的。 好，他终于出来了，大概的话，画出来的话又是一个这样的一个效果，虽然说题词是很少，但是的话画出来内容的话还是没有什么太大的问题，对吧？内容还是比较丰富的， 而且图标的话基本上也是和我们这样的一个它的一个文本的内容是比较匹配的，比如说钱啊，对不啦？ 十亿人民币的知识，然后的话就应该是一个金币的一个图标，然后的话我们这样的一个 teach teaching innovation 科技研究啊，它是一个芯片的一个图标。然后第二个是我们 talent development， uh talent development and edu education， 人才发展与教育，它的话就是一个这样的一个学时髦，对吧？然后 infrastructure and economy， growth， 基础设施与经济增长，它又是一个这样的一个桥梁，对吧？这个的话都是很匹配的。 然后下面的话一个环路数据分析啊，这两个可能好像还有点啊，啊，没有重复，没有什么问题。 data analytics， monitor， policy， adjustment， 政策适应， resource relocation 啊，这个的话可能它下面中间这一块的话有点问题，它的话就会有一点重复，是不是有点重复？ 但是的话整体的话，它的一个出错率的话，在我们的一个美观性以及它的一个错率上面的话应该是比较低的， 基本上的话它画出来图的话，基本上可以直接用到我们的一个论文里面来，没有什么太大的问题。现在的一个 ai 深图这个技术的话，还是相对而言的话是比较成熟的， 好，出来了。然后的话，首先的话是数据和处理，有我们的 world bank 啊，世界银行的数据 top， 五百超算的数据， open， alex， 学术数据， patent families， 然后的话， github， activity， gorms， index， 政府指数，然后问题，我们的一个指标系统与我们的一个指标系统里的构建， 那问题二，我们的一个 a c i 的 一个评价和我们二零二五年的一个排名，然后问题三，我们的一个预测，二零二四啊。问题四，政策优化来最大化，我们中国的 a c i 在 二零三五年， 然后这地方还给了一行小字， policy in size 与反 microsoft and scanners， 政策洞察重新来，政策洞察的重新定义，我们的一个 什么场景，对吧？坏了，太久没背单词了啊，不过反正总体来说的话，他的一个生图，对吧？这样一个风格的话，风格风格还是样式的话，基本上还是比较美观的，可能比我们很多同学他的一个画图水平都要好一点，对吧？ 所以说的话，这个的话也是我们的一个画图的一个方案，大家也可以拿去用。 那么还有一个比较麻烦的是我们数据网站，那么数据网站的话，我们这地方也给大家准备好了，这里有吗？有这么多的数据网站， 包括我们美团里面最常用的就是我们什么东西呢？世界银行， 嗯，我的世纪银行都跑哪去了？他这个最近，最近浏览器都是罢工了嘛， 改的内容他也没没存进去，我的计算夹还没了。 这个地方的话给大家就总结出来了，我们地方的话比较常见一些数据，这的话都是一些偏比较官方的数据，就不会像我们有的同学，对吧？用什么简书啊，什么知乎什么这种东西到处去找数据员，结果找到了数据的话，他又不是官方的 结果，人家也导致你的一个论文不可信，你做的再好，有一个数据员从根本上就错了，那，那就那不就完蛋吗？ 把世界银行的一个公开数据，这个的话是我们美赞里面比较常用的一些数据网站，然后还有包括我们什么卡购啊，对不对？这个的话相信计算机的同学应该不陌生， 那么这地方的话也是把它给大家，把所有的超链接都练好了，大家可以直接链接给跳过去， 当然的话现在的一个 ai 的 话也能够去帮我们去找一些数据，你只需要去干嘛呢？你只需要把它的一个 网页搜索的一个功能给它打开就可以了， 你就可以让它根据题目的内容去帮你去整理一些文件出来，所以说的话，现在的话，对吧？干什么都很方便，只要说你会用这些工具的话， 那么对于我们一些比较喜欢这种古法解题的同学来说的话，对吧？我还是有的时候还是喜欢自己一个人搞搞题目 啊，有的时候但是一个人有的时候搞不过来，因为现在毕业了嘛，有的时候可能无聊的时候可能去单刷一下，但是现在毕业的话没有队友，有的时候而且还要上班，所以说的话时间很紧， 时间很紧的话，有的时候画图的话就不是很想去画，特别是像 python 的 话，它 maclab 现在的一个画图的一个，它原生画图的话就是不去做什么样式修改的话，它的那个图有点看不上，所以说的话我有的时候为了图方便的话，我就会去找一些数据网站， 因为实在不想在我们画图上面花费太多的功夫，因为解析已经够头疼了，还要去花时间挑图的样式，也不想去写 r 语言更麻烦，所以说的话就直接用我们的数据网站直接一一次性搞定， 那么的话这三个的话都是集成了 r 语言的一些网站，它的话是用 r 语言来画图，它里面的出的图的效果是非常好的，只需要你把数据上传上去，它就可以帮你出图。 那么比方我们典型的看看我们相关性的矩阵，我们一般做 p 小 卷四 p 尔曼的，我们是不是都画的方框，他的话就可以帮我们出一些其他的东西，比如说我们的圆块，然后下面的话我们一些字， 当然的话我们也可以去给它调一调，对吧？我们可以用换成四 p 尔曼，然后我们还可以用换成什么，还可以选择椭圆，对吧？ 可以显示我们的饼图，可以显示我们的方框，各种各样的， 这个樱花纹还是太丑了，那么椭圆的话就可以表示它们之间相关性的一个方向，是正相关还是负相关。 那么 cs， nova 它也是一样的，来看一下它应该在我们的一个， 对吧？这个里面的话也有非常多的一些图， 非常省事，省得我们自己去写代码，去一个调乱七八糟的格式里面都已经帮我们集成好了， 毕竟现在 a 有 ai 里面 ai 画的有些图的话，我也是有点看不上的，如果说他画个数据格式化的话，我也不想花很多时间去调那个提示词，太麻烦了，要一个一个的调，所以说干脆就用我们的一个在线网站已经给我生成好了，省事 上，毕竟上传，对吧？打开一个网站上传数据，这样的一个时间的话，比我自己挑战码这样的一个时间还是少多了， 里面基本上什么图都有， 然后包括我们这个 high pro 的 也是一样的，也是我们的一个二元 p c a 生成分析，然后的话我们的各种各样的分析的图，什么热图，什么相关性热图啊，乱七八糟的全部都有， 第一次呢是用 map 这些我们比较常用的 p c a 对 吧？有了这些网站之后，我们这样的一个 效率就可以提高了，然后的话省的我们，嗯啊， 省得我们头上自己写代码，对不对？能用工具就用工具，不要重复的造轮子对吧？这个东西 好，那么其他的话，像我们之前给大家说过我们的 weisson， figuero s c i 这些东西，然后包括我们用 sora 去生成图片，然后的话导入我们的 dob library 里面去进行编辑，或者是说我们用我们的 那的 banana， 也是我们 jama 去生图，然后再用我们的一个 lobe illustrator 去进行编辑也可以，但是一般的话应该不需要编辑吧？就像我们刚刚给大家看过的一样，它生图的一个质量还是比较高的，基本上不需要我们再怎么去修改，基本上去应付一个美赛的话，还是没有什么问题的，对不对？ 那么对于我们那个整体的时间安排的话，那么的话我们比赛的话在我们那个早上六点钟开始，那的话我们拿到赛题之后三个人就要去干嘛？齐心协力的去找文献，找资料，去确定选择题，确定我们的大方向， 我们到底应该走哪些方向？不管你们是用 ai 也好，还是说你们自己手动去查也好，最开始的话肯定是三个人一起把整个思路给它统一掉的，不要觉得这个统一思路之后，对吧？去搞这些思路会浪费你的一个时间， 因为我们写作的时候越复杂的项目就越要去达成共识，然后的话收敛我们的要素，我们达成共识比我们先干不一定会花花费更多的时间， 因为我们达成共识之后，我们后期的话分歧就会越来越少，同时的话也能够让我们整体的一个思路更加的稳定，对吧？ 当然我们不能够在这上面去浪费太多太多的时间，因为我们这个是有时间限制的，对吧？我们只有四天的时间，比我们国泰多一点四天的时间，那么的话基本上我们第一天的上午的话，那我们拿到题目开始 第一天上午的话，我们就要去大概的去明白我们到底应该用哪些模型了，到底应该去 走哪个大方向，然后下午的话基本上我们的一个步骤就要出来了，然后的话我们编程和论文的话就同步进行推进编程，把我们论文的框架给搭出来，然后的话等到我们的论文手跑出了结果就直接填填直就可以了， 然后差不多到晚上的时候的话，就可以去大概的去完成我们第一问的一个写作。然后一般的情况下，我们第一天的话是不建议大家去熬夜的，因为我们四天的时间它是一个拉力赛，对吧？它是一个马拉松， 你在前面花费的精力过多的话，那么你后面可能会影响你的一个效率。我们要保证我们四天的时间每天都可以去高负荷，高负荷运转，不能够因为我们第一某一天而影响到后面那个效率，当然除非说你是干地，那么的话就当我没说。 然后第二天的话，基本上我们来到之后的话也不用起的太早，毕竟我们第一天是六点钟开始嘛，我第二天的话也不用起太早，就像我平时上学一样，对吧？早拔就可以了。然后的话我们继续完成我们的第一问，然后的话准备开始我们的第二问， 那么有了第一问的结论之后，你对于整个题目的一个理解的话，应该会上升一个台阶。所以说的话在上午的时候，虽然说你花的时间比第一天要少，但是的话你在第二天上午的话，基本上也可以把第二问的一个大概思路给弄出来了，然后基本上你第二天的话就可以去 完成我们第二问的一个模型建立了，然后的话根据他的一个结果的话去不断调整优化你的一个内容，因为很多时候你跑出来的结果的话并不一定能够满意。 在很多时候的话，我们第一次见模的时候，我们总会我们的一个结果总会和我们的一个想象是有一点出入的，那么他这个时候你就要去慢慢的去优化迭代的一个过程呢，看看内容里面到底有哪些东西是没有考虑到的，或者说有哪些东西是考虑的太复杂的可以简化掉的， 然后的话去不断的去迭代和修改，然后的话到了晚上的时候差不多的话就能够 拿到我们问题二的一个初稿以及他的一个结果。那么的话第二天的话同样的话不建议大家去熬夜，那么的话基本上建议大家，对吧？十二点多之前睡觉一天奋斗个在早八到晚十二，对吧？十六个小时差不多了， 当然的话现在这个工具这么发达的一个情况的话，一天的话应该是用不到十六个小时的，我觉得一天可能啊十个小时都已经很多了。 那么第三天的话他的一个整体安排实际上是差不多的，但是的话我们基本上第三天的话，我们的一个整个题目的调解都已经要完成了。然后的话下面的话就是灵敏度分析这个部分了，对于每一次而言的话，灵敏度分析是非常非常非常重要的一个板块， 如果说你这个灵敏度飞行做的不好的话，那么很容易就直接降档，因为美赛一般的话都是面向于他的一个现实问题， 那么面向现实问题的话，它里面就会有非常多的不确定性，那么你怎么证明你这个模型是能够用的呢？你怎么证明你这个模型是稳定的呢？那你就只能够通过我们灵敏度分析的方法了，那么现在的现在主要的灵敏度分析的话，基本上也就是说改改参数啊， 然后或者是用什么蒙特卡洛进行模拟啊，看看他们之间那个变化到底是什么样的，整体的难度不是很高，但是的话我们的一个灵敏度分析一定要复图，一定要有图，只有表不行，必须要有图。 所以说为什么总是说美赛是一个跨国大赛，因为它里面对图的一个要求非常高，同时到了最后一天的话，我们不要去 卡点提交，因为美赛那个网站的话是非常拉垮的，如果说你到时候卡点的话很容易容易交交不上去，一般的话建议大家提前两个小时提交，为了避免他那个网站过于拉垮，对吧？然后的话给自己保一个底， 然后交上去之后的话就不要再去修改了，不是说不要修改，不是说我不要修改你论文，只是说修改不要去重复提交，因为它本身的话那个东西就很拉垮，你重复提交的话，你指不定你能够出什么 bug， 所以 说话基本上你交一次就行了，它那里面也没有什么邮件确认的这种功能，就是整个网站还是优化需要优化的比较多， 反正就是至少给自己预留两个小时的时间，不要去卡点提交，然后的话提前两小时把它交上去，然后的话你就可以去休息了。 那么对于我们整个论文的一个编辑和翻译的话，目前我们最好的翻译软件的话还是 d p l， 因为它它里面可以选择你的专业领域的话去去做翻译，但是 d p l 的 话它里面有这种地区的限制，而且的话 翻译文档用需要氪金，所以说的话我们之前的话就可以，我们之前的话就给大家去看过，对吧？星火科研它里面的话也支持这样的一个翻译的一个功能，学术翻译对不对？ 只是说它里面的一个这样的一个文本是有限制的，所以说的话建议大家都是写完一个小结就去翻译一个小结，随时翻译，随时随时，那个 大家的话记得给自己留一版中文的底稿，对吧？然后的话后面的话如果说我们要修改的话，那么的话不至于到时候自己都看不懂自己的论文，不知道自己要改哪里对不对？有一版中文稿有留一版，有一版英文稿，最后提交英文稿， 要修改的话要先改中文稿，然后再把修改的那一部分重新翻一遍，然后再到英文稿上面去。同时的话我们之前也给大家看过我们的这样的一个润色呀，审教啊，预审啊这些功能， 所以说的话我们在写完之后，我们是可以去反复的去根据它里面的一个评选意见来打磨我们的一个论文的， 尽可能的让我们的论文的一个考虑的更多，更加的完善，不要让人家挑出毛病，毕竟也不是只有你会用 ai， 人家也是会用 ai 的， 对吧？评文也是会用 ai 的， 就是说可能有的有的评委他甚至可能是懒，直接懒得用 ai 来看你的论文，直接大概的瞄一眼就过去了，但是的话为了避免这种情况，对吧？ 我们也可以提前用 ai 来帮我们审校一下我们的一个论文，尽可能的让我们的整篇论文更加的专业化，更加的学术化，更加的 有这种可执行性。好，那么我们的一个分享的话就到此结束，所有的资料的话，大家都可以看评论区置顶进行领取，然后的话希望大家可以在我们的美赛里面取得好的成绩。

hello， 大家好，下面我给大家讲解，完全用我们这个 ai 这个豆包完成美赛的一个完整的一个论文拿下 m 奖。这个论文是去年完全用这个 ai 生成的， 这是翻译以后的这个文章，我们可以看一下最后拿的是 m 奖，好吧，我们可以看一下这个完全就是这个文章翻译的。 好。下面我给大家详细的演示如何用这个 ai 拿下我们这个 m 奖。好，下面是我们详细的演示，已经有美赛了吗？演示一下怎么样去用我们这个就是目前受众可能说最广的这个豆包和这个 deepsea 去完成一个美赛题目的一个解析。我以这个二零二五年这个 ct 为例，给大家演示一下怎么样我用这两个软件去完成我题目的一个解析，这篇这篇文章是用这个 ai 完成的，我这个文章在去年把它翻译成这个英文，它是拿了这个 m 奖，完全用 ai 去生成的，大家可以看一下这个 感觉 ai 上证的。好吧，教一下大家怎么样我能够拿到一个美赛的题目，把这个题目怎么样一步一步的拆解，把这个题目去解决出来，还能拿到一个不错的奖项。当然我还是建议大家在这个 ai 辅助的技术上， 自己也能够去进行一定的修正，画一些好看的图加进去美化一下，那我相信大家拿一个 h 奖以上应该也是非常容易的。好吧， 好，我们现在说怎么样给大家去演示一下，主要用的就是我这个给大家总结好的这个 提示词，我教大家怎么样去一步一步的去拆解这个题目，怎么去把这个题目写出来？这个提示词还有相关的资料，大家可以看这个置顶评论看获取，都是免费获取的。好吧，好，我们来看一下这个题目怎么去拆解。 首先拿到这么一个题目，首先我们可以拿到是英文，这个翻译成中文，你可以关注一些公众号，公众号上一般都会发，或者你等不及自己翻译，就把这个直接丢给英文，丢给 ai， 你 翻译出来这个还不是难事，你可以适当的进行一下的语句的修正，这都是可以的。 好吧，下面说这个，我们当然还是翻译过来以后再去做题。好吧，其实第一步大家是先翻译，翻译完以后相当于我现在这个题目一样。好，那我们怎么样去做题？第一步 先就是什么问题背景，我们就是以这个文章的行文为例，当然摘要是我们最后写好目录，肯定是最后生成的。好，第一步问题背景怎么整？生成这个直接我们看一下这个多少字，大概是七百六十五字，这个还是有点多的，为什么？因为我们最后要把它翻译成英文拼符，在二十五页 以内，我记得是你中文，相对于如果是二十四页可能会比较多，最后这个也是进行了一定的筛选好，所以说大家肯定要是先把这个什么刚开始要少一点，为大家推荐的就是六百字。好，我们来试一下这些内容其实可以直接用，是用这个 豆包去做就可以，我们可以把这个，你看我们可以把这个东西复制过来啊，你，你就可以把这些下面是说的数据了，这些东西就可以不用，也可以复制过来，这个影响不大。好吧， 我也可以把这个题目，就把哪一块内容，把数据，不是把这个问题上面的这些部分全部 像这些东西，关于数据的就可以不复制，关于问题的前面这些东西都可以复制过来，复制过来以后呢？你可以用我们这个指令，问题背景的指令，好吧，好，直接输给他，其实整体底下这个过程非常快的，好吧？ 我们可以看一下，当然深度思考，你如果写问题背景，你完全没有必要去开看更快一点，但是也没必要，时间还是挺长的，你也不用说那么紧张。好，这是这个问题背景，我们可以看一下，你可以完全把这个东西复制过来， 我们可以看下这个内容还是写的非常好的，复制过来以后你可以放到这个文章里面，再放到这一块，这块就完成了。其实数据这个东西建议大家你可以这个东西你可以 直接丢给，也可以数据，这我没有。这个主要就是说你首先第一步你把这个数据有哪些，你可以丢给他，让他去写数据有哪些，还有表仪的这些东西， 下面还有这些，你看这个是直接复制的，你会发现了，你看数据文件，这个是直接复制的，一模一样，所以说这个东西就可以你自己写，也可以直接去复制一下，也没影响，因为最后还是要翻译成英文的，所以这个查重基本上没问题，美在不用担心这个问题。 好吧？第二个说第二步是写什么？解决问题的时候直接丢给 ai 写就行了，不用麻烦了，这怎么写呢？就会把这个这几个问题全部直接丢给他， 用我们的这个指令，这是三个问题，那就直接把这个改一下，好吧，这个你自己改一下呗，就是很快的，整个过程你会发现非常的行云流水，最后你再去精修，还整个过程非常的流畅，你会发现这个 行文是不是有点多了？可以，这个时候你就可以什么简化一下，你写美菜的论文的时候，你前期写中文的时候，你 自己心里有意无意的去控制一下字数是最好的，因为后面你还要筛选，还是会很麻烦的。好吧，看着他比较多了，你可以让他简化一下，这个是很灵活的一个过程，你看这样其实就非常简洁了，你就可以把这个复制过来放到我们这个文章里， 这个其实是有点多，后面到处也是筛选了很多的好假设部分，你就可以你把问题给他了，所以他已经知道你的问题是什么了，所以你完全可以直接再丢给他，一般就是四个或者三个选四个比较好。好吧，这完全就是让他给你去解决这个问题，还是你自己 去看了一下这个篇幅怎么样？好吧，你有意无意的控制一下，到最后你就不用说还要花费很多的时间去减字数。看这个还是有点多，因为他一般都会给你偏多一点，所以你可以自己去看着一点去简化，现在其实就非常的完美了。把这四个你复制过来，复制到这个里面， 这个可以加粗一下都可以。好，这个符号说明就不说了，对吧？你自己的事了。好，这个当然是问题分析，当然也还写了就是一条指定的事，就是这些东西其实 你要说哪一块是有你自己的思路的思想，其实还是一会我再给你说模型建立部分，好吧，你看这个东西还可以，这个篇幅其实也还行，因为问题分析你还是字数，字数其实可以了。好吧，这个是有点多。 好，下面就是具体的问题，具体问题部分我给大家有一个思路。好，我们看一下这个具体的问题，这个题目在说什么？在说什么？开发一个模型预测，所以在说什么？预测， 所以你不管他后面多么滑，他主要在说什么预测。那这个为大家提供两个思路。第一个思路就是说你是新手小白，你不知道哪些预测模型，你不知道哪个更好， 那你就可以什么把这个问题你要再重新去，一个一个的再给 ai， 你 不要再基于前面的基础，那样会不惊喜。好，这个时候你就把整个问题再丢给他，你可以问他解决这个问题，先写代码。 好，先写代码，为什么呢？因为你先看这个代码能不能跑通，他给的代码如果能跑通，那你就可以继续用这个模型了。好，这是一个对小白的措施，说我们可以直接用这个指令就可以，这个没有什么太，因为前面已经数据没有，一般 没有什么数据。这个，好吧，这个就是说给我使用什么样的给我解决问题的完整的代码。好，这个我给大家举个例子。 好吧？这个预测，这个也是个预测模型，这个预测模型可以直接用吗？可以，当然我建议你可以，如果你有自己的想法，你可以换一下，用自己想的这个模型，让他给你写代码，或者说如果你是小白，你就可以把这个问题抛给他， 我有哪些模型可以解决这个问题？或者说我怎么样去解决这个问题？让他给你模型， 好吧？当然我建议大家去有自己的筛选，好吧，就可以直接用了。他这个携带码还是现在他也很净化，基本上给你大烟扫过去也没有什么问题， 核心框架他肯定都是搭了尾腰。对的，当时我们这个代码也是用这个 ai 跑的，你可以看一下导数据数据清洗，对吧？好，你看下这个数据，这是什么数据？这个是他的运动员的数据，这个是下载的，你可以把这个数据下载一下，好吧？到时候你就最好的是什么？你把这个数据给他， 再给大家演示一下，你一个数据你肯定是自己下载的。对，你下载数据这个工作不难的。下载数据，因为题目你看他告诉你了，说这个数据是哪些，你看他告诉你了，告诉你这些数据了， 所以你这个东西你不难的，你把这个东西下载下来以后，你把这个东西丢给他，好吧？好，你可以把这个东西复制给他，告诉他说使用我真实的数据，其实，哎呀，这不这么很灵活，你要灵活的去用它 去随机应变。好，我们这可以再新建一个。好，他终于也是写完了，写的还是非常的完善。好，我们可以把它放到我们这个代码里面，这个路径应该都是对的。好吧，那这应该正好有， 我们来运行一下，测试一下，你看他告诉你了缺少酷，他会告诉你，你就可以安装一下就可以，这个不是什么大事。哦，我们安装完成了。好，再来看一下，我们刚才不是安装完成了吗？再来继续看一下。哦，不是，这个弄成之前的代码了， 刚才是我有点卡，我来看一下。好，应该是有问题的。这个问题主要是什么？说我们刚才其实刚才用的时候发现一个问题，这里给大家说的是先把数据传给，所以说其实你如果直接去把这个名字给他，而没有把数据传给他，他是很难去说把它 去做对的。所以我们尽量什么还是去把这个 ai 去，我们去把这个东西传给他，好吧？把这个数据尽量还要都给他，他了解这个数据的情况下，这个时候我们才什么才能 去更精准的把这个代码他可以编辑出来，否则其实他很难说去了解这个真实的情况，那可能就会出一些偏差。 我们先用这两个，因为你看一下他这个问题，其实他并不是说每一个题他都要用到全部的，你看他这个是还有这个，其实所以说每一个你要自己进行一定的筛选，看一下他会用到哪些数据， 好吧，我们这个就先以这两个为例，好吧，你我们再用这个，好，这个时候就对了，所以刚才流程其实还是有一点问题的，说你先要什么，这个这个多了其实影响也不大， 你可以先筛检一下，或者到时候你可以自己去删一下。那这个东西其实量有点大，但是他其实你只用前面的一部分也可以了，比如说我们之前没写一个代码，你看他只用了其中两个，还是比较少的，也可以把这个问题解决。 所以说另外一个你如果再遇到这个梅赛的题目，他可能有两种，第一种是说没有给你数据， 这个时候你要自己搜集数据了。另外一种就是说给他的数据，但是数据量非常大，这个时候你其实可以适当的去，如果不好处理的话，这个数据可以适当的进行一部分的筛检，或者你只提取某一部分去进行做。因为 其实美赛他对这个结果的看重并没有那么特别大，他可能更看重你，你解析的这个思路 是不是？所以说这大家一个思路说他数据量可能会非常大，那这个时候你就自己进行一部分的筛选，或者说有一定的代码基础的同学，可以什么自己去使用其中的某一部分提取出来去做，当然你也可以自己去什么编辑的这个代码量更大， 但是因为这个豆包它是对这个文件是有限制的，所以这个部分就要求大家可以只用一部分，或者说你可以自己去写提取数据的代码，后续让这个 ai 辅助一下，但你也可以用 jpt， 是 jpt 是 可以的，我记得，好吧？ 好，这给大家提供思路。好，我们可以试一下这个。好，我们来试一下这个路径的问题，路径， 注意这个路径，因为我们就直接在这个目录下面的，所以说这个路径的问题你要改一下，这是成功读取了，当然也是有报错，但是成功读取了这个数据， 但是它里面有一部分是没有找到的，你们可以再把这个去你如果遇到的问题可以直接丢给 ai 去调试，如果你是小白，但是这个其实你 如果你有一定的技术，也可以自己去改一下。好吧，刚给大家演示的就是说你是纯小白，你怎么样去一步一步的去解决它，这过程可能会比较慢，但是 你其实也还好，教程完了。好，我们来复制一下过去，当然有他写代码过程遇到各种问题是非常正常的，路径一般是你需要自己去改的。好吧， 可以检查一下，因为 ai 它其实多包，其实还没有那么特别值得，所以大家遇到这些问题，你完全可以说 boss 复制给他，让他帮你解决一下。 好吧，这就是小白，你去这么去做，就给大家演示的时候，站在我一个纯零基础的一个小白身上，怎么样去解决这个问题？路径你改成你自己的路径，一般你就直接在这个文件下面放便会很方便，你就直接用它这个路径就可以了。 好，我们来看一下。本该应该是有错误来继续就说你这个过程就是你不断的发给 ai， 然后 a 改错就可以了， 这个过程其实就是一个不断的反复的一个过程。好，我们来看一下这次的情况，这个过程你不要嫌烦啊你，你要用 ai 给你写，肯定是这样的一个效果。 ok， 试一下，还是有列名错误，他是说哪个文件，我们可以看一下这个文件。好，我们这个时候就可以什么也可以把文件丢给他， 还要一直保存，你可以把文件再丢给他，让他看一看。这个文件是刚才说我们不用的，这样，我们改一下，好吧？ 因为刚才我们说了不用那个文件，这个文件因为刚才我们说了他有点大就可以受限了，那我们可以这里，比如说我们只用这个两个，好吧？ 就好。这就是刚才我给你说的，如果你有两种方法解决，一种是你自己有一定基础，你可以自己去编写，或者说你可以把这个大量的文件去给它进行一个删减，丢给这个呀，或者你用 gpt， 好吧，因为他这个是有他的能力是有限制的好吧？作为他演示给免费的这两个软件，他免费，他在能力方面肯定是有限制的，因为 gbt 用起来还是有低的门槛，好吧。当然这个用的这个流程是不变的， 所以你能用了 gbt， 那 也更好，你可以去用 gbt。 总而言之，这个流程其实都是不变的。首先就是这个论文的行文， 从这个背景到数据，到解决问题，到假设不好，你自己写就可以分析到模型的建立部分。整个流程你不管用哪个 ai， 基本上都是这个流程。 我让他给先写代码，代码跑通以后，把这个代码丢给任何一个 ai， 让他给你写这个内容，好吧？一个过程，因为那个文件它是太大，你没有一定基础是很难处理的，或者说你可以直接去 b 站上搜一下相应的一部分的教程也可以， 好吧，你毕竟想做的更完美，肯定是要多考虑一点。好，我们这一次来试一下，这次应该就可我来停止一下再重新运行，好吧，刚才这个问题是说这个图像没有中文保存的，这个问题 好，差不多前面这个报错可以无管他。好，现在差不多就运行出来了。好，这就整个的流程，这是这个图像也可以改一下上场了。好，所以总的来说这个过程就是这样， 你肯定会遇到错误。我给大家演示的也是说我在事先没有一定的排练的情况下，面对一个题目怎样去解决？这是错误，肯定是会经常出现的， 你其他的那种就是一下给你生成出来。那我想可能是前面已经进行了一个一定的预演，你面对一个实际的之前没有解决过的问题，那肯定是有可能会遇到各种问题。那刚才解决的方案我给大家提供了，把这个报错去给 ai， 让他帮你解决，一步一步的调试，到最后成功这样一个过程。好吧，代码跑通了以后该写论文了。好，这个时候干什么呢？那基于这个内容给你写，你看 把 ai 给你的代码重新丢给他，根据这个代码，这不用丢给他，因为刚才刚用的代码这个问题，这个步骤他给写，这个时候就该写什么啊？正文，正文部分 ai 都可以完成的。好吧。这些图可以自己去画一下，也可以去织网上， 比如这个 l s t m 模型。那可以去什么去知网上找，直接解锁 l s t m 模型，从它论文里面抠一些图，接下来放进去，或者你自己再复现一下这个图，好吧，非常完美的方式。 前面全部都是搬运工，这个过程也可以写的，其实也还行，你可以自己去找一些文献一下，加一些公式， 好吧，都是可以的。你像这些东西其实都是从文献里边 copy 的， 你可以直接解锁一下 l i c r 模型相关的文献，把里面的一部分内容可以 copy 过来，那就可以更完美了。 好的，这个文章主体部分内容的编解方法，你可以让 ai 结合你的代码去生成这个东西，也可以你去知网解锁相关的模型的文献， copy 一 些过程。好吧，你能自己手动结合一下题目那是更好。你不能那也可以了。 结果这些东西吧，你看这个结果不就是这个结果吗？一个图像结果没那么重要，你看这去年这个图这么样，最后也可以得奖。 结果生成出来以后，就比如说把你生成的结果给他根据这个内容给我写一段话的分析，是吧？你看这个分析一定要有上面结果，下面配分析，这个一定要有参与一个这样流程就可以。你可以把你图像放这， 再截个头像，让他给写分析，他用的指令是一样的，还是说根据这个内容给我写一段话的分析指令是一样的，好吧？好。看，这个写的篇幅也挺好的。 好，写完这些东西以后问题二、问题三是一样的，就不给大家具体演示了，这个流程都是一样的。好吧？好。最后到了一个知识点怎么写？把整个文章抛给他， 你再把这个指令附过去就可以了。最后写完以后再把整个文章给他，再用最后这个指令就可以了，我来给大家演示一下，好吧，完全 ok 的， 整个文章就 ok 了，当然这个数量你可以自己改一下。好吧，都可以， 我是给他写了一个四个的，当然他也可以用。这个就先不用了，其实这个流程是一样的。好，要登录我就不给他演示了。好，你看非常天赋也挺好的。好吧。 好，最后这个东西可以删减。好吧，可以自己根据篇幅删减改进推广，大家都可以写了，这样微信自己找就可以。好吧，这个路径你按照他的格式从翅膀上自己添加就可以。好，最后这个摘药也是一样的，就按照我这个指令也可以。最后摘药一定要什么 自己再精修一遍，你和你的队友每个人去修改，精修再精修是最重要的。好，自己的文章就到这。好吧。好，谢谢大家。

美赛马上要开始了，我看依然有很多同学完全没有头绪，没关系，只要你排版合理，再配上一个好看的图标，基本上都能拿二等奖。在这里我给大家推荐几个小工具，帮助大家做到以上两点，轻松拿下美赛。首先是 infmind 这个网站，专注于科研论文的工具， 美赛开始前夕，将你选好的论题直接丢给 inflight 跑一遍，跑出来的论文直接能用。然后再利用网站内置好的画图工具，搭建一个完美的图标，想不吸引评委都难。然后是排版，在这里我首推 t plus， 它的排版不仅合理，还支持多人合作排版与美赛的三人配置不谋而合，总之，大家赶快用起来吧！

这里是数学建模老哥，我是你们的阮老师。那么啊，我们是已经获取到了跟 a 题题目直接相关的大部分数据，那么是可以直接用于 a 题的直接模型验证的 啊，那么很多同学应该是比较苦恼这个数据该怎么去收集，感觉这个数据很好收集，但是，呃，想真正整理起来还是挺麻烦的，对吧？好，那么，呃，我这边是 啊，编写了一个脚本，然后把这些数据都整理了一下。好，但这个脚本大家都知道，所以这个也不能发给大家了。 呃，你们如果说有这个技术能力的话，可以自己去写一个脚本，然后去获取一下对应的数据啊，基本上就是相当于把网上的数据给它爬到一块，然后给整理起来了。好，我，所以我们这个数据量非常的大啊，大家可以看到我们比如说这个不同场景下的这个电池电量变化，我们的数据量 啊，都是万级别以上的，那这个的话，你基本上你在同类级别，应该在全网应该是找不到第二家的，对吧？好，那么其他的对应的数据，我们最少都是有几千组数据的，所以这个啊，大家去做对应的一个第一问这个模型验证，对吧？那么第一问你看啊，第一问的要求不是这样的吗？ 他要求我们去呃数据作为支持，而非替代，您可以收集或使用数据进行参数估计和验证，如果开放数据有限，您可以使用已经发布的测量或规格啊，前提是参数得到明确验证。好，那实际上就是 你第一问做的这个模型，然后你用真实的实验数据去测测得你这个是相当于，就是 啊验证一个模型是对的吗？好，那么大家来看一下，所以我们这个数据就非常之多了，对吧？比如说我随便，呃，我随便列，列一组，我就列这个不同场景下的一个，呃，电量使用。好， 那么大家来看一下。好，首先第一个是时间啊，对吧？好，然后对应的 soc 啊，然后我们的一个电池总容量，然后我们的温度，然后我们的状态啊，然后我们的状态，然后我们的电池容量，好，然后那么 这边可以看到吧？是不是啊？这个是我们的系数，好，全部都在，是不是？那么以及你到底是什么样的状态 啊？我们这个待机，然后不同的时间，所以不同的组合，各种各样的一个参数组合，我们这边全部都是有的，就是所有的组合我们全部都是给你爬到了， 你想怎么分析就怎么分析，没有任何的问题。明白了，你说我想分析一个特殊的路，加一个特殊的状态，再加一个特殊的电池容量，再加一个特殊的系数，再加一个特殊的，呃，什么？什么？呃， 这个初次容量，等等，你看初次容量，我们这个参数组有多丰富呀？这个相当之丰富，好吧，所以这个我大家完全不用缺数据了，那么 a 题，嗯，基本上这套数据就够够你们做的了，明白了吧？完全足够你们做。好，你看，那么我们浏览了一千多组， 那现在到网页，网页浏览场景了，是吧？好，那网页浏览场景那也是各种各样的参数，来回组合一遍。 好，然后我们再往下，那就视频播放场景，那么视频播放场景再往下，那么对应的其他的场景，好，完全一样的道理，是不是？好，那现在来我们来看一下啊， 从第一个开始，我带大家仔细去看，那么第一个是不同电池容量下的一个电池行为数据， 不同电池容量这地方有，以及对应的各种各样的一个行为，他们的容量到底有多少，是吧？好，第二个不同老化程度下的一个电池的行为数据啊，不同老化程度啊，大家可以看一下， 好啊， u usage 啊， scenery 啊，对吧？不同程度的老化好，然后不同使用场景。好，那这一块，其实这个相当于也是在网上呃，获取到的，然后整理在一块的，那这个是什么意思呢？大家来看一下，这个就是 题目中啊，这样一问，那如果说你找不到对应的一些数据吗？对吧？啊，那么可以用什么呢？可以用已发布的测量规格啊，或者一些参数。好，那么这边啊，我就是根据啊，网上绝大部分啊，那些所谓的科技博主测的一些参数。好，好， 这些工具单位都是好安啊，好安，这个确定一下，我这个我没在单位了。 好，最适合列宽，然后这样子，你看你不同不同的使用场景下啊，他们对应的 啊，不同的功号，比如说你是待机的时候，待机的时候你总功耗，你就一个基础功耗，对吧？你屏幕是黑的，你又不使用 app， 然后网络的话，网络话虽然用，但是你基本是处于待机状态，所以功耗几乎可以设计为零，对吧？好，你网页浏览 啊，网页浏览我们不考虑带定位带等等其他的静态网页了，那么视频播放，那么声音是不是有，对吧？那摄像头不需要，对吧？好，拍照啊，摄像头要，对吧？那 gps 不 需要， 音乐播放等等。好，这个是绝大部分场景，当然我不可能说把有些用户那种特殊的使用场景，就是他可能浏览个网页，然后又听歌，然后又拍照的，那这种网页一般也比较少，是不是？好？ 然后再回过头来，我们再来看一下不同场景下的一个电池容量，在这个地方啊，可以得到，是不是完全一模一样的啊？完全一模一样的， 而且为什么我要整理成这样呢？我是特地结合了我们这个题目的实际需求，然后呢？这些字段都是我单独去设置的，都是我单独去设置的，明白了吧？ 好，然后将他们整理起来，那么大家做题的时候也方便一点，那要不然的话，你像有些人，他整理数据整理的一堆乱七八糟的，然后你根本不知道哪些有用，哪些没用，对吧？我找的这个数据所有的都是有用的，明白了吧？就 多就是那些没用的数据，我就直接剔除掉了，我找的全部都是能够用于我们直接做题目验证的，比如说你，你画图，你很简单，你直接把这个题目一画，嗯，来，比如说这个啊，视频播放，嗯， 怎么看呢？这个参数量啊，这个你到时候可能要拎一下了，对吧？要，要塞一下啊，不同不同参数情况下，它的一个，它的一个情况是不是好把它整理出来？好，那这个主要就是我们现在的一个大致方案，好，没问题吧？ 啊？然后最后啊，不同温度下的一个电子用量变化啊，不同温度下好，大家可以看到 时间， soc 啊， power， 然后 temperature 使用场景，然后我们的电池容量啊，对吧？啊，以及我们最后我们的系数，好，所以这地方都是有的， 是不是啊？都是有的，好，所以这就是我们啊给大家准备的数据啊，所以大家也不用担心说啊，这个数据找不到了，不会做了，是吧， 所以 a 题啊，可以完全做了，放放心大胆的去做啊，没有任何问题的，明白了吧？啊，如果后面数据使用觉得，哎，什么地方出问题了啊，可以在互动区或者说直接在我们的这个群里啊跟我说 啊，然后我会及时的给大家去修正啊，因为啊，爬取的时候可能会出现一点点啊，脏数据进去都有可能啊，但是注意我这个数据是， 嗯，绝对没有缺失值，我检查过了，明白了，所以你们没有必要在上面去做太多的数据处理啊，所以这一点大家注意啊，行吧，好，那这个就是我们目前 a 题的所有的数据， 好，希望大家能够用这套数据啊，取得比较好的奖项，好，谢谢大家啊。

好的，接下来呢，我们看一下 f 题哈， f 题的话呢叫生成是人工智能啊，这个说白了会影响各行各业的工作吗？对不对？ 尤其是会影响哪些工作呢？官方呢？给了三种工作类型是吧？ s、 d、 e、 m 和就说白了就是科学工程，比如说工程师啊，是吧？那个那个软件工程师啊之类的啊，数学领域的大神之类的啊，这些专业 对不对？就是我们所说的工科专业，还有叫技工贸易类，比如说厨师啊，水电工啊这种工种啊，工程类的工种，还有就是一些艺术家啊，这三种职业，那么未来生成是人工智能对这三种职业会是一个什么样的影响 对不对啊？怎么人工智能对这专者专者的职业会有一个什么影响啊？这个很关键啊，然后呢？分析，然后呢？这第一问啊，第二问就是分析啊，每个职业确定的特定的高校机构学项目，然后呢提出建议来，就是就是你觉得这三种职业啊，或者这每种职业， 那么如何来安排啊？这个这个针对这个职业项目如何来安排相关的课程来应对未来人工智能的一个发展哈， 还有就是这个，呃啊，以下就是些思考了啊，就是你，你可以作为你的补充啊，本质上来说啊，其实那个没有什么，这个这个这个主要就是两两位比较多一点哈，两位比较多一点哈，然后我们看一下具体的一些细节哈，可以把它生成这么几个小问哈。几个小问？ 第一个就是这个，这是一个首先是个综合类题目哈，包括这个优化加决策啊，加评价优化都都在里面哈啊，我们可以分为这么几个小问，第一个就是这个预测啊，每种职业的发展趋势。第二个就是决策啊，教育方案怎么做优化。第三个就是评价啊，多因素影响的一个分析啊， 有多个因素对对于就业什么的影响。然后第五个就泛化推广建议相关的 每个小问，哎，第一个就是选择 stm， 技工、贸易、艺术各一个职业啊，预测啊，美人工智能对他未来的一个发展的影响。这第一个小问问题为一，这是我们的第一个小问。第二个就是为了应对职业教育机构设计 ar 项目课程怎么来设置相关的课程 对不对？第三个就是分析就业需求外的其他影响因素啊，调整模型与建议。第四个角度就是论正建议的推广性啊，说明适用的范围，来，我们看一看，可以看一下，可以选择哪些模型来做啊，哪些模型来做。 第一个就比如说这个啊，我们说这个啊，记住哈，你们记住，预测一个政策或者发布一个政策对未来的影响， 大部分的概率都会选择用什么系统动力学模型啊，这个是百分之百的啊，大部分 f t f f t 啊，都是用系统动力学模型是最常见的，所以呢，这个题目我估计大部分的同学都会选择系统动力学模型来做的啊啊，比如说用系统动力学 来模拟，那么 ai 到底对于这些啊，学科这些职业，他的一个影响的内容是怎么样的啊？影响内容怎么样？比如 ai 先影响了，哎，怎么怎么，然后又影这个正反馈机制是怎么来构建的？这就叫兴同力学模型 啊，这个很关键啊，来用贝叶斯网络。为什么要融合贝叶斯网络呢？就是来有些不确定性，比如说技术迭代，这 ai 突然间发展的特别快了啊，突然间质的迭代， 那么不， vr 不是 说长期就按照这样的稳不变的或者稳固的版，它会技术迭代非常的快的，所以我可以融合 b s 网络，再加系统里学模拟，我整个的来模拟未来的一个演化程度，工作的一个演化程度，这个很好，这个思路哈。 然后第二位决策。决策的话呢，我可以说，哎，要构建哪些啊？比如说 先确定用 h p 来啊，决策就是端标优化，加一层的面积把，先用 h p 算法来优先确定权重标。比如说就业还是最高，还是说论语素养最高，是吧？就业能力肯定是最强的，对不对？哪一？每一个目标每一个是吧？这个这个指标他的那个权重先确定一下， 然后构建多标优化模型来优化我的课程，对吧？我设计哪些课程，哪些课程可以入选，哎，我的月儿条件可以是哪些？比较课时，学生的课时是固定的对不对？别不能说太多对不对，是不是？ 还有就是我有一些最基本的一些选优要求，课程要求，哎，我都可以作为我的约束条件，这样我构建一个多目标优化模型啊，这叫目标优化模型啊，优化目标就是我的选择的那个，是吧？我我，我的优化目标是什么？ 我的就业最好对不对？我就业最好，或者说，哎，因为你学生本身来还是就业吗？就业率最高 可以是我的优化目标，还可以是什么？我学生的能力更强，这叫多目标，目标不唯一啊，目标有很多， 你也可以有别的目标，但是我觉得这两个目标就可以了。就是第一就是就业，就学生的就业比较好，他不会失业。第二个就是这个学生，那么他的这个工作能力啊，整个的学业的能力是比较强的啊，你也可以有其他的，这没毛病， 来第三个分析就业需求外的其他因素的，就哪些因素还会影响到我的，我的这个课程的设计或者我的相关的一个建模。 那我们可以评价一下，就评价类某个同学，评价一下相关性分析，确定哪些变量啊？非优化变量，别论理风险创新能力啊。来来，然后呢，找到这些哪些变量是比较关键的？然后再相关性分析算法，然后呢，识别哪些变量是不之间是高度相关的，然后呢，找到哪些变量啊，影响因素是比较大的。 然后第四个就是建议推广嘛，可以，你可以啊，构建一些其他的来， 比如说可以构建这个案例推案例推理模型， c r c c r c c b p c b 二，加上地理甲醛回归啊，来来，这个是 c c b p 的 c b 二，这个模型没见过哈，基于啊，机构相似案例进行推广，然后 j w r 的 量化啊，地区差异对推广影响的效果的一个影响。 其实这个题目吧，本质上来说就第一个问题最关键的啊。第一小问最关键了，就是说啊，和 ai 对 各个因素啊，各个这个 ai 对 那个各个的这个 ai 对 各个行业他未来会什么样的影响？其这个就是性动力学模型，这个很关键啊，这个很也很麻烦，对不对？这个的话你要把这个模型构建出来以后，你整个的建模是比较流畅和比较顺利的哈 啊？第二小问，其实也还好哈啊？策略就是选课吗？其实就是一个选课模型，明白吧？就是一个选课模型， 我们都知道你可以，你可以那个构建啊？你在数学建模领域，其实这样是一个比较典型的一个优化类算法，就是选课算法，选课模型，选课模型一般你们你们也知道，就是如何，呃？给你们安排选课 对不对？怎么选课？让你的学分达到最高，让你的学习时间达到最短，就是这样的话学分最高，你的占有率的时间最短，这就是一个选课模型，你可以移植到这个地方来，明白吧？移植到这个地方来 啊，这就是一个移植的一个过程哈。这两个搞定了，其实其他的都不难哈。什么评第三位，评价第四位，什么回归啊？其实都还好，第一位和第二位主要就是建模的核心，好吧，这这个的话你要搞定了，很关键。 系统动力学也好，是吧？这个呃，多多元回归也好，都还好，没有什么难点哈。没有什么太大难点，就系统动力学建模会比较复杂一点哈。 来，我们呢也会把相关的原代码然后放到这个位置哈，放到把 f t 的 相关的原代码放在这个位置，以及我的系统文心文档以及我的想用 ai， 一 会呢？我会用 ai 完整的解决这个 这个题目完整的来解决这个题目哈完整啊，非常完整的解决这个题目用我们的 ar 提示词来完整的解决这个。呃 f t。 好 吧，到时候呢看看这个相关的模型检验代码呀调试啊之类都会都会放在这个放到这个文档里面去哈。 啊想有有取相关的思路源代码啊，大家可以可以那个领取一下。好吧我把相关的源代码都放在这个地方啊。思路解析相关的好吧来 难度系数不大三点五分啊不大啊难整个的模型复杂度呢中等啊，只需要两个模型一个系统立体，一个多，一个多描优化模型啊还有就是这个呃 难点呢就是首先呢不同职业类型亮化建模很麻烦，尤其是艺术技木这些呢 内容吧比较复杂一点哈，尤其厨师什么的对吧。这些艺术啊这都比较抽象对不对。难以量化建模啊这个呢算是一个难点哈非就业因素啊，像创新社会责任论语啊也不好量化，这都属于模糊模糊因素对不对 啊。核心要点呢就是啊模型需要覆盖三类且具有代表性数据来源权威可追溯啊，模型需要明确这个 ai 影响职业的核心内容驱动，别自动化替代效率提升啊。就 ai 是 怎么来影响这个工作 的是是他是吧他能够提高效率啊，原来两个人原来一个人三个人一个人的三个人的工作一个人就能干了他可以提高效率吗对不对。 还有就是教育建议需具体可行啊，包括课程设置中的啊学生你不要说这个同学选这个课程吧 是吧？选了很多课程，内容太多太杂了也不行，对不对？就是需要满足一个要求条件，要同一个学生同一时间不能上两门课，对不对？不同的选修课之间不能冲突。是哎，等等之类的 啊，需要这些约束条件需要考虑到位啊。解析思路，按照这样流程来，第一步啊，职业与机构选择，选择代表性职业，然后匹配对应教育机构啊， 然后呢？影响预测模型，构建 sd 模型，然后呢？来哎， sd 模型，来整合 ai 技术成熟度、职业自动化率、市场需求，来构建这样的一个模拟关系，就是 ai 它是怎么影响的？来构建 sd 模型系统理学模型来演化，来把整个的演化过程给它建立出来， 然后教育方案优化，用 h b 确定目标教育权重啊，哪些权，哪种是哪些是比较重要的指标，我们放在优先级第一位上，比如说学生就业放在优先级第一位上，是吧？然后多目标规划，多目标规划里面的目标权重也是不一样的哈， 然后呢，构建课程体系，然后第四个多目标多因素评价，评价非就业因素评价指标体系，然后第五步推广啊，这样的一个思路。

更多干货关注树魔乐园公众号！

二零二六美赛全面倒计时，距离比赛开始已经不足十二个小时，这三个实用工具让你美赛完美通关，顺利拿奖。第一个工具首推音符 mind， 大家都在好评，数模美赛中的编程、数据处理、绘图他通通都能搞定，直接一条龙服务。好多同学问我不知道怎么使用，今天我就来教教大家。 首先网页搜索音符 mind， 点击进入官网，先注册一个账号，登录进去就可以使用了。音符 mind 接入了目前顶级的编程大模型，直接化身超级马龙， 告诉他数学编程思路，各种骚扰算法、代码直接给你生成代码，零基础小白也能搞定，数据处理也超级省心。上传原始数据，平台自动完成清洗分析，同步生成格式化图标和整理好的分析表格， 数据结果直接附用，论文配图也能一键生成，还有模板可以参考，简直不要太方便。想体验的评论区扣一，我给你发邀请码！第二个工具， simple tax， 现在不会还有人在手打公式吧，赶紧码住 simple tax！ simptax 是 一款高效的数学公式识别软件，可以将图片或 pdf 中的公式快速转换为可编辑的 latex word 格式，省出百分之九十的时间，甚至手写的公式和汉字都可以直接识别。第三个工具， simptax， 美赛号称选美大赛， simptax 可以 生成美观漂亮的数学公式，还可以直接与 simptax 联动使用。 首先使用 simptax 识别公式，复制 simptax 到 simptax 中就可以完成编辑了，同时 simptax 还可以嵌入到 word 中，方便使用。好了，最后祝各位比赛顺利完赛都有好结果！

感觉你是那种寒假硕果，每赛前突击学习比赛攻略也能够拿奖的人。快速分享比赛期间的时间安排，必备高效工具。还有三个冲奖的要点。一月三十号开赛，比赛的四天我们怎么安排呢？我结合了自己大大小小的参赛经历，总结了这个时间计划表。 前面几天一定不要熬夜，因为最后一天要检查的论文细节太多了，睡得不够就很容易出差错。也不要卡截止时间才去提交论文，一般最后半小时提交系统都很卡，如果因为这个原因你没交上就很亏啊。 然后呢，就是比赛期间必备的一些工具，大家查漏不缺啊。第一个写论文的工具 the text 可以 用 overleaf， 这是一个在线的平台，团队三人可以共享写同一个项目，真的很方便。如果你用的是 word， 一定要提前装好 math tab 这个写数学公式的工具。 美赛嘛，最终提交的是英文论文， dpl、 google 都可以用来翻译，语法检查呢，可以用 grammar 论文，一般问题都不大，摘要大家就要小心谨慎了。和队员一起多检查数据集的公开网站，大家也可以提前去了解一下这些各个国家的统计局。 cargo 的 数据集都是比较常用的图表或者是图片配色呢，也可以直接参考。这个 还有个更简单的办法，就是在比赛的时候，你的配色直接参考一篇欧奖的论文，用取色器就能够知道别人用的是什么颜色。最后快速讲三个抽奖的要点。还没有论文模板的同学，明天一定要做一个自己团队的论文模板，里面要包含统一的中英字体设置、配色方案、图标规范等等。 美赛呢，又被网友称作是美术鉴摩大赛，其实啊，就是论文的美观性很大程度上决定了你是否拿奖。我还留了之前自己用的一些模板，可以直接分享给大家，需要的同学在评论区找我呀。 其次呢，就是文件管理，比赛过程中啊，他也会产出各种文件，比如说生成的图标，参考到的文献，搜集的数据集等等。你千万不要想着写完论文再去统一整理，尤其是文献这种肯定是乱糟糟的。大家可以在你们团队的小群里面，像这样分门别类的建好文件夹，把文件对应的传进去。 第三个，论文及时存档，每次在时间紧任务中，大家绝对承担不起论文没保存，因为电脑原因，一夜回到解放前的风波。不要太相信自己的电脑，最好的办法就是每天中午晚上两次，把当前的论文发到你们的小群里面。好了，看到这里，同学都会拿奖的，我是娃娃，带你打破更多大学信息差，拜拜！

好的，亲爱的小伙伴们，大家好，我是老哥啊，今天呢，给大家整理了二零二六美赛 a， b， c， d， e， f 体的这个翻译哈，这个相关的一些工具啊，我们用我们的超级的这个 提着头给大家整理出来了一个 a， b， c， d， e， f 题的，整个的一个赛题的一个啊，相关的一个解析啊，模型的选择，以及相关的一个创新点的总结，以及相关的难度分析和选举的建议哈，大家可以看一下哈，今年的话呢，美赛的 a， b， c， d， e， f 题吧，顺序有点颠倒哈， 往年的美赛的 a 题是不可能出这种题目的啊，往往会出一些比较偏门的一些，是一些什么微方程啊这种激励分析类的赛题，而这个 而这个 a， t 呢，呃，智能手机电池耗电建模啊，这个确实出乎了我们的意料啊，只不过呢，很多同学啊，用这样说，老哥，既然是预测的话，我直接用时间系列预测模型就不就行了吗？对不对？你们记住哈， 每赛我觉得 a， b， c， d， e， f 他 出错的概率是非常的低的啊， a 题呢，历年往往都不可能是一个单纯的数据分析类题目的，你说这个，老哥我用一个什么灰色预测，回归预测，直接预测 打那个耗电不就行了吗？啊，你直接耗预测和剩剩余时间随时间变化。函数，我直接用一个基础的回归函数，我直接用一个基础的回函数不就行了吗？你记住，这是 a 题， a 题往往就是机理建模，机理分析，所以说这个题目的核心一定是机理建模的，用一些数学物理的公式，哎，把耗电量和各种各样的参数，他内部之间是怎么关联的 啊？内部之间具体的机理机理的流程啊，只有你把这个串联起来，你才能够建好模型。 所以说 a 题啊，绝对不是一个单纯的时间训练分析题目，我们后面会给大家讲到怎么拿大奖，拿大奖的话，如果你想拿奖，我想拿一个 h 奖 m 奖，你用一个单纯的经历，一单纯的时间训练分析类，或者用普通的继续学习算法，是不可能拿奖的，所以大家一定要注意啊，这个地方要慎重，要慎重哈， 来啊，这是我们的 a t 的 一个翻译哈， a t 的 一个翻译。 b 题的话呢，太空电梯系统建立，求直微的，你不要被这个题吓到。首先啊，这个题的话呢，你千万不要被吓到，不管是什么太空 g t 还是月球 g t 还是什么火星 g t， 本质上来说就是优化 啊，本在本上来说就是涉及到多个系统的问题，他逃不出这个去的， 和本上和建一个医院啊，建一个修一个学校啊，基本上没有什么区别，所以你不要被他吓到哈，难就难在这个题目可能会涉及到数据的问题， 数据不好找而已啊，但是传统的我们常规的一些优化模型基本就可以做出来，大家呢，也不用担心好吧，这个题目呢，你也不用太担心，后面我会讲到一一的分析啊，就每个题目看了没，他会有一个完整的分析报告啊，到底评分依据或讲难点，解析要点，解析思路或讲要点哈，都给大家讲到的，所以你也不用担心啊， c 题，这是一个比较基础的一个机理机，一个数据建模题目了又，我说说的记忆学习分析题目啊，这个呢，就是有点，有点不太，有点就 突突兀哈啊，今年呢，就是搞了一个节目啊，搞了一个节目叫舞动奇迹啊，说白了就是观众投票之类的，人家得到相关的数据分析，给了大量一些数据表啊，今年的话呢，我们用 ai 是 今年我敢说是每赛历年获奖难度最大的一年，也是小白获奖最好获奖的一年。为什么？因为今年的 ai 将会是 ai 在 世界剑魔领域彻底渗透的一年，也是彻底渗透的一次比赛， 尤其是个 ct， 给的数据集竟然不多啊，给的数据集竟然不多啊，这也是超乎我的预料的啊 啊，你如果给的数据不多，那 ai 就 可以直接给你处理掉了， ai 就 可以直接给你处理掉，所以这个题目的核心就是你一定要做出创新性来，如果你没有做出创新性，你就利用了一个单纯的继续学习算法来做的话，那你这个题目想获奖就不可能。我们给大家讲了四种创新， 四种创新，对于啊，在这个位置上，那么你必须要选择一到两种创新来做，因为大本同学我估计会选这个 c 题好吧，因为这个 c 题给了数据，也给了相关的一个难度系数，也不大，给了相关的一些一些。那个啊，题问题呢，也不是特别的复杂，但大本同学我估计会选这个 c 题， 既然如此的话，那你必须要有创新，你没有创新的话， ar 十分一个小时就可以做完，我一会呢，会给大家演示 c 题，用 ar 怎么来系统来建模，而我们 给大家用到的这个提示词儿看了没？我，我的超级 ai 模拟题，求解题词儿里面啊，看了没？这就是完整的一个求解，一个系统的呃，数学建模题目，它的一个 ai， 一个提示交警提示词儿里面有一个，看了没？ 第一，模型选择阶段啊，你看用 ai 提升的词和不用 ai 提升的词呢，结果完全是不一样的。用 ai 提升词呢，我会让他给我创新，看到没，而且有三种创新啊，你给我任意的每个小位必须要给我选择至少三种。三种创新方案是至少选一种， 第一个算法改进创新，第二个交叉领域创新，第三个算法组合创新。这个你必须要放在你的 a r t 你 的模型选择或者模型建立里面，如果你没有，你仅仅选了一个基础方案的话，那你拿奖是几乎是不可能的。 纠本呢，我们有四种啊，在这个地方我，我一般建议用三种就可以了。第四种只有一种场景，就是优化了，就是预测类问题啊，预测类问题啊，这三种的话，能解决百分之九十以上的数学建模题目，而且能够得到创新型的算法哈，这呢，后面会演示啊，后面我会一一的演示啊， 大家也不用担心啊，一会会一一的演示啊，然后具体呢，这个题目的话呢，难度系数就比较大了， 但是这个题目也是我认为获奖最好获奖的一个题目，因为大本同学，只要你没听老哥的视频的， 我相信你百分之百想不到相关的一些思路啊，你最多也就按照一个普通的啊，体育赛事的一个一个研究啊，就建模去做了，比如说 a 题呢用系统动力学， b 题呢用，呃，第二位啊，这个第一位的系统动力学，第二小位的话用，用我们的卡罗模拟或者一些其他的模拟情况来做。 但是这个题目啊，记住体育赛事也好，经管类问题也好，你们记住一个事情哈，就是你想获奖，你必须要用，尤其这种冷门，看了没？体育赛事管理，这属于偏冷门了，对不对？ 没有说没，很很少有单独的模型是研究这个的，对不对？还有什么学校的管理，还有什么就是比如说一个部落的管理 啊，这些偏冷门的问题就是研究的没有那么细致的，你们记住一定要有创新，创新点核心就在于交叉创新。我们所说的刚才我给你们提的头里面看了没有？三种创新方案， 第一种算法改进，第二种交叉领域，第三种算法组合。这里面对于地体这种偏冷门的赛题的话，你们记住交叉创新是典型的，哎呦，因为没有人会研究一个专门的冷门的问题的，对不对？比如说球队运营， 我可以用养殖策略啊，我不是说贬低，也不是说歧视啊，我没有这个意思啊。啊，我比如说我可以用，是吧？这个这个养殖的一些策略，或者我可以用一些种群部落的管理，生态学中的一些种种群部落管理 啊，比如说，哎，我们一些种群哎，蚁群啊，或者是一些鸟群啊，哎，怎么去管理的？然后呢？对应的应用到我的体育赛事管里面，这叫交叉， 懂我意思吧？或者我用一些比较偏偏的一些方向，就像我说的传染病模型吧，我传染病模型 sm 型对不对？我原来的是用在传染病疾病的扩散领域的，我现在把它用在了舆论传播，新闻传播领域，这就叫做交叉。而对于这个题目，我觉得最好的创新就是交叉。 好吧，交叉交叉创新这个题目获奖非常关键哈，如果你没有用交叉创新的话，那你就要好好的思考思考了哈。 来，还有什么一体被动式太阳能遮阳系统这个题目的话，说实话哈，这个有点小难度啊，因为什么呢？这就是我们传说中的 a t 是吧，美赛的 a t 往往是这种类型的题目，就是一些比较冷门的设计，像什么让你设计一个对吧，浴缸啊，设计一个人机工程学的座椅啊，而现在的被动式太阳能系统让你用在了一体上面，这个题目超出出乎预测啊，因为一体的话一般是可环境和可持续之类的， 但这个的话也属于可持续哈，因为太阳能嘛，对不对？这个题目的话呢，你核心就是你就要 首先的话呢，知道啊，怎么构建相关的一些微型方程是吧？那个积累分析啊，积累分析必须要有的，像什么热传导啊啊之类的要做，还有就是常规的优化类问题，什么目标优化，优化模型要构建 对不对？这两个是核心啊，你必须要学会构建啊，一会呢，我们可以讲到，好的这个题目的话难度系数不大，但是呢就是难点就在于比较马就要求解的话呢，就是要对模型啊，建模的要求比较强一点啊，就就比较典型的数学建模难题，数学建模题目 啊，因为 ai 吧，也很强的，在这题目也不在话下，也不在话下。 f 叫政策类题目，政策类题目我们啊政策类题目的话，我们求解的一个非常关键的模型就是系统动力学模型，你们记住哈，解决政策类题目 啊，往往用系统力学是最典型的一种算法。做 f 题的话呢，大部分同学我估计都会用这个系统动力学模型， 因为要要评估政策对未来的一个影响，这个任何的模型都模拟不了任何的模型啊，只有系统的理学这种半积累模型，我们说才能够分析这个政策对未来这个影响。所以这个题目大家很关键啊，只要用好这个，这个题目就可以解决掉了啊， 来啊，整个的我们来具具体来看一下， a 题一共有四个小问，第一小问叫构建连续时间模型，描述电池剩余电量随时间的变化， 对不对？一定要考虑多种因素的影响，不能单纯的就用电池原来的电量和是吧。然后呢，预测未来的电量，这种是不能的，因为题目已经明确告诉你了多因素的影响啊。那第一小问呢，就具体分析，不是一个单纯的数据分析类题目，你们记住啊。 第二小问，预测不同场景下剩余续航时间，分析耗电系统，这个就是一个预测类问题了，预测不同场景下剩余续航时间吗？对不对？第三问，分析假设参数使用魔镜对影响，这就是一看这个问题就是 敏感性分析吗？是不是因为参数对结果的影响？这不就典型的敏感性分析，某一个参数的改变对于我的结果有什么影响吗？对不对？这个题目我觉得不应该单独作为一个小问， 为什么？因为单独做一个小问的话很匪夷所思哈，因为每这个是不，百分之百你必须要做的，对不对？你不是说哦，题目没问你是吧，没某个参数对结果的影响，你就不做了？ 百分之百你是必须要做的。同学们告诉大家啊，百分之百你必须要做啊，你不做就不行，记住哈，百分之百必须要做的啊。还有就提出用户和操作系统层面的省电建议，这个就决策建议类了啊，就学一下 demo 之类的啊，学一下 demo 之类的啊，建议建议信相关的东西哈。 然后推荐算法啊，第一个激励分析类啊，推荐的算法是什么？什么扩展型，带为难等等效电路模型加温方程组 啊，这个推荐的是这个算法，这个算法的话还有点创新性的哈，来贴合锂电池电子化、电电化学基体可量化多因素对 soc 的 影响啊。这说白了就是你看融合了微方程，所以 a 体的话，你要但凡说我用时间系列预测模型，那有点小问题哈，第一问哈 来，第二本预测类，其实机机理模型的模特卡罗模拟啊，原因是什么？可处理使用场景的随机性，量化系数不确定性啊，因为使用场景是随机的，你可能上人厕所使用，也有可能听课使用， 也有可能在路上使用，也有可能看视频使用，所以你的场景非常的多，所以用模特卡罗来模拟多场景的，这可是关键。 来第三节问敏感性分析，这个就无所谓了啊，你只要做好敏感性分析就行了，这个官方推这我们推荐就是这个买水刷牙把和手把手把纸把。这个其实啊，都还好哈，你只要能把这个做出来就行了，你们改变参数的结果，看看 这个这个结果怎么变化，因为第一问和第二问才是获奖的核心啊，第一问第二问，大家不管怎么样，一定一定要把握好，一定要把握好，好吧， 来后面的政策建议类啊你，你多多少少吧，你想拿奖你就别整的吧，这个，这个太 low 啊，你可以什么多标规划之类的，用多标规划算法，多个省电目标，别续航时间长，使用体验，使用体验好之类的来找到一个自由平衡。因为你不要说把 f 题，把 a 题的最后一问就当成写个建议了， 老哥，我整合前面弄一针我我的小建议行不行？今年 a t 竞争非常激烈，同学们，我建议不管怎么样，你们一定一定一定啊，说白了啊，真的一定一定，老铁们，明白我意思吧，不要上来就用什么啊，不要上来就就说白了，老哥我那个 对吧，就就用一个，那个什么行不行就用一个啊，写个建议行不行啊？今年 a， 今年数学建模将是最难的一年，老铁们，我们不管怎么样，我们都要建立的有点创新性行不行？ 政策建议类，你也要做出点花来好吧，但是不管怎么样，你们记住啊，一定要做出花来，好吧，你不知道怎么建模怎么内容的啊，老哥这里也有哈，我们 a t 到时候呢，相关的 solo 代码包里面还有 b t 的， c t 的， e d， f d 的 啊，我们都把相关的思路解析原代码都放到这个代码里面，如果你实在求解不出来了，你也可以看什么用老哥的超级 ar 提示词，我们 ar 提示词里面也有哈，在这个地方 啊，超级 ar 提示词里面也有有十七道。一会呢，我会幸好演示一下到底每一小问啊，就是到底怎么来做的啊，每一小问 a 题的话，超级 ar 提示词，他到底是怎么一步一步的把这个题目建出来的 啊？没有领取到咱们的这个思路代码的，大家一定要去领取一下，到时候我们会把 a t 的 相关原代码点击思路啊，论文答案之类的，包括我这个文档啊，我这个文档也都会放到我这个 a t 的 这个这个相关这个资料里面。好吧，没有领取到，抓紧去领取一下哈。来 啊，最后一问啊，决策建议类啊，你们必须要啊，不能说单纯的就上来就提供一个小建议就完事了啊，必须不能提供一个分析，好吧，一定要有一个分析哈，来， 这个难度系数，整体只整体是三分好吧，难度系数不大哈，这个 a t 的 话呢，整体的难度系数并不大哈， 然后评分的依据啊，模型复杂度是中等的啊，因为就要结合一些电化学记忆多因素融合是吧，这这个其实难度系数并不大哈，因为这些内容的话，我们在一些网上公开的一些资料都可以找到 啊，然后呢，数据获取难度低啊，可以通过一些公开文件厂商数据，这个的话呢，网网上也是资料比较多的啊，老哥这里给大家提供好，到时候提供好以后，我们直接就给大家放到这个 a t 这个里面好吧？ a t 的 里面啊，给大家放到这个 a t 的 里面好吧？啊？ a t 到时候直接给大家放到这个 a t 的 里面啊，相关的一些资料哈，啊，包括数据之类的给大家放到这里面哈， 然后就是这个，呃，创新性要求中等啊，但是我说实话哈，如果你让我来推荐大家做哪个题目，我给你们推荐哈，我百分之百会推荐你们做 a t， 为什么呢？因为这是一个非常非常典型的数学建模问题了，对吧？就是你按照流程来，按照老哥的要求来，你做出来之后去，说白了你起码来说没有那么大的坑， 对吧？像什么太空电梯啊，像什么体育赛事，说实话啊，都有点偏啊，都有点偏， 我最推荐的就是大家做 a t， 我 觉得这就是典型的数学建模题目了，难度系数并不大，说高也不高，说低也不低，每个人会的数据也不一样，所以大家得到的结果也不一样，有创新吗？哎，你的微方程那个地方，你只要弄的复杂一点 对不对？你只要最后一位上个目标规划啊，你只要在，是吧这样的，所以说这个创新硬有难度系数还不大，数据也没那么难，我觉得这个题目你要让我来做哈，老哥你要是你做，你会选哪个题目？我就会选 a t， 真的，老铁们，别的题目说实话都有点坑，对吧？都多多少少吧，有点麻烦，像 b 级吧，太空电梯有点小麻烦， c 题的话，与星共舞也有点小麻烦，数据量那么那么那么乱对不对？地理体育赛事吧，你说交叉创新，你能创业到什么程度？也有点麻烦， 这不是一体呢，你得有非常强大的这个，呃，这个这个，这个构建微方程啊，以及这个激励分析相关的一些能力啊，也不是很好做 f 的 呢。人工智能说很多同学都这个新动力学呢，豆芽都用这个，你很难创新，所以 a 体呢？你要创新有创新 对不对？要数据也不难，要好好深入的做，你就你就优化就行了，你就一点点的优化，比如说我参数，哎，我优化模模型可不可以再弄的复杂一点，就是你先构建一个基础模型， 基础模型就能够解决全额问题，然后你再一点点的生化，这样的话 a t 就 可以了。我们后面会给大家用全 ai， 用这个 ai 技术词哈，以完整的把 a t 的 给大家解出来， 直到生成一篇高质量的 a t 论文，你们再看一看啊，我用超级 ai 技术词来做的情况下，会做到一个什么样的效果？好吧，一会我们给大家直接来做哈，来演示，好吧，来，难点啊，难点就在于什么 啊？那建模工作量也也中等哈，难点就在于什么？多因素啊，就屏幕，处理器温度，每一个模块到底和耗电量是怎么耦合的，这是一个难点，只要这个解决了， 这个题目就可以解决了啊，这个题目就可以解决了，好吧。第二点，连续实现方正的构建，贴合电池实现，避免纯数学逆核啊，这个也是一样道理 对不对？这个的话呢，你不能纯属于你和你不能用一个基础的回归就完事了，你要顾及具体分析第三个不足，使用上下参数标准验证问题，这个蒙德卡罗模拟这个有点小难度对不对？你只要能把这几个解决了，好吧，这都叫小难度哈。还有就不确定性电话啊，不确定电话 啊，兼顾模型误差，有 c 超，这叫模型检验吗？对不对？你必须要做模型检验啊，要点就是第一个啊，是坚守连续时间见模合金，避免理散化处理。因为 a t 是 连续性问题，所以你别整成理散型问题了， 你 a t 要整成理散型问题，就背离了 a t 的 要求了，好吧，不要做理散化处理哈， a t 不要做理散化处理好吧， 比如说把整个的这个这个时间或者什么的场景模拟变成里散化数据不行啊，明确各耗电组建的低耗与参数取值模型，区分不同环境下使用对使用模式的一个影响，这个就说白了，改变吗？对不对？ 这个就说明大量的场景，比如说温度高的时候，热带或者是海南岛是吧？我极地的向东北东三省 温度，冬天比较冷的时候，我怎么样？就你要考虑大量的场景，刷视频的时候怎么怎么耗电，对不对？拍照的时候，所以说你可以拓展的点特别多，你第一天，第二天你可以构建一个基础模型，在这个基础模型的基础上你再生化， 这样的话你们就得出来东西都特别的好哈，真的，就这样的话，我觉得你的模型会越来越深，越来越深，这才是 ai 的 贡献，明白吧？ ai 不是 第一天你把你把你题目解出来了，而是第一天你，你可以用它做一个基础的框架，然后第一点后逐渐的生化，逐渐的生化，明白吧？逐渐的生化 啊，逐渐的生化，懂我意思吧？所以说哈，真的特别有意思哈，特别有意思 啊，我，我真的觉得特别有意思啊，这个题目啊，逐渐酝化，这样的话，你每一天都用 ar 酝化，每一天都用 ar 酝化， 来，老铁们，你们告诉我，你们这样的话获奖概率是不是比较大了？所以说你们啊，获奖套路就第一天构建一个基础的，第二三天不愿酝化， 比如说不同的场景，冬天夏天刷视频高耗电量是吧？然后呢？这个拍照，然后呢？这个普通的观看文本，数据文本的一些文档是吧？以及这个暗的情况下，亮的情况下，黑天白夜啊，你都不同的场景，那你肯定这个整个模型建的质量会非常的好啊。 点击思路，一步一步的怎么建模？第一问，构建锂，基于锂离子电池电化学反应建立基础 s o a 连续实践微方程，再逐一纳木屏幕啊，处理器耗电量等耗电组建，考虑温度对电池容量的修正 啊，先建立一个锂离子基础的耗电模型，然后呢，再把这些屏幕处理处理这些东西纳入到你这个微方程组里面，然后进行纠解 啊，参数估计是吧，建立好模型以后，基于相关的参数就是就是你，因为你建立好模型以后，你肯定要做参数修正啊，对不对？这个地方呢，我建议你们在这里增加一个内容啊，叫什么叫有限元法， 有限元分析啊，我建议你们在这个地方增加一个这样的模块啊，机理模型构建好了以后，最好先用有限元分析来模拟一下，然后再用真实数据来得到结果。好吧，这源于分析的话，你甚至可以做可直观演示，这就是获 o f 奖的标准了，你要拿 m f 奖 m f 奖的标准了。 做一个模拟啊，有限员模拟啊，因为我们知道你不管看网上的一些是吧，一些公开的一些耗电量，他会有一个像一些热力图一样的东西，对不对？看耗电时间，一个热力图一样的一个一个折线对不对？那个那个就非常的漂亮哈，给你们看一下哈。 哎啊，你可以增加这样一个模块，然后然后第二就是参数估计啊，收集到一些具体的行业数据了，然后呢？呃，把你这个据而成，因为你出你出来的数据特别的多，肯定， 所以说呢，参数肯定是有限的，所以你需要用最小而成来计算这些参数啊，最小而成计算这，然后这个就场景预测了是吧？利用是吧，这模特卡罗模拟，然后呢，设置不同的场景，说重度使用待机啊，低温啊，高温环境啊，来计算续航时间， 然后敏感性分析，用这种算法来做敏感性分析。提建议的话呢，我建议你们啊，刚才说了，建议大家可以放一个什么多标规划模型，或者是是吧，比如说使用场景最佳，或者是耗电量最小，甚至你可以用一个单标规划，没别多标规划，老哥太难了，我做一个单标规划可不可以？也可以哈， 来模型创新，在经典积累模型基础上融合多因素偶合模型是吧。啊，这是一种创新方案啊，模型创新 是吧，量化结果给出不同上一下续航时间及误差是吧，然后呢？呃，关键因素的敏感性分析组是吧，不同场景之下，这也是一个一个很好的一个获奖要点分析哈，还是格式化绘制 soc 啊，不同的，这个格式化也是一个获奖要点啊，你要想拿奖的话也可以把图做的美观一点哈， 然后模型检验啊，也计算一些各种检验，像二方 mse 啊，对不对？还有就是敏感性分析啊，灵敏度分析啊，鲁班性分析啊，都可以用，都可以，都可以拿来用一下好吧。 啊，鲁棒性分析老哥要不要做？我觉得这个地方也可以做一下，就极端的使用场景之下，别超低温，超高温，这叫极端场景之下来看看结果怎么样。所以说敏感性分析要做，鲁棒性分析我觉得也要做啊，这个地方呢，大家一定要记住啊，就敏感性分析要做，鲁棒性分析也要做哈， 然后呢，选题建议啊，就是这个啊，这个这个数学统一专业的推荐啊，然后呢，这个计算机专业的谨慎选择啊，因为避免过度依赖黑箱模型啊，因为这个地方呢，就数学物理专业的比较推荐功课这样的也比较推荐哈， 然后呢，这个文科专业的不怎么推荐，因为他涉及到什么机理建模了啊，涉及到什么电化学之类的东西了，所以文科专业的不推荐啊， 然后跨专业啊，工科的加计算机的可以读到零基础的不推荐啊，因为零基础的话呢，难度系数会相对大一点哈，微型方程，电池都都比较难哈，中等基础的慎重选择能力比较强的可以选择一下啊。 ok， 这就是我们的 a 题啊，难度系数整体来说不大啊。整体来不大啊，但是呢，我觉得获大奖很容易出现的 a 题啊。所以说，同学们啊，如果你能够读懂这个题目啊，你也会用 ai？ 我 建议你们选 a 题。做 a 题的话，如果我来做了，我就会选 a 题啊，百分之。我觉得百分之四十的同学应该都会选 a 题哈，今年 ok， 来啊，我们再来看一下。再来看一下 b 题啊，太空电梯。

好的，小伙伴们，大家好，接下来我们讲 c 题哈，大部分同学呢，我看了一下后台的选择题数据哈，大部分同学都会选择这个 c 题哈， c 题的话呢，怎么说呢，你选这个没问题啊，同学们，我告诉大家哈，你选 c 题没问题，但是你必须要有创新啊，因为大部分的同学都在选这个 c 题，目前 c 题比例已经达到了恐怖的百分之四十哈， a 题百分之三十， c 题百分之四十，两个题目加起来接近百分之七十了，老铁们哈，百分之七十的人都会选这个 c 题啊，都会选这个 c 题 啊，所以说呢，我建议同学们哈，要慎重啊，其实我是非常不建议选这个 c 题的，我觉得吧，你就是大家大部分同学选这个 c 题都是为了图简单啊，但是呢，我告诉你们啊，图简单，不要去图简单哈啊，不要去图简单， 为什么呢？因为 c 题你看着哈，但其实它很麻烦啊，很麻烦 啊， c 题很麻烦，所以说，我建议你们不要去盲目的去做这个 c 题啊，不要盲目做 c 题，好吧，老铁们，我建议你们避开它，因为因为这样的话，获奖是比较难的，你不要图简单，大家说实话都知道，数据都知道，怎么建， 那你说对不对？你，你说你怎么获奖呢？你的创业点怎么来搞呢？对不对？所以说，我不建议大家选 ct 啊，真的，我，我是真心的劝大家啊，要慎重哈，要慎重好吧 啊，老哥，选哪个题？我建议我建议选 a 题或者选 b 题啊，你最好就是选，要么选冷一点，冷门一点的，这样选的人少，竞争压力会小一点，对吧？你选这个 c， 那 么大家都选这个 c 了，所以当然了，我，我不说，不给你分析哈，我给你分析，但你要慎重，你想拿奖，你必须要有创新点， 你必须要有创新点，如果你做这个 c 题没有创新点，那就白搭了，而这个 c 题的创新点 百分之大部分的都是两种创新方案，第一种改进的模型就是你用改进算法去做，第二种融合模型啊，就你选择不同的模型一块来做， 你说交叉你行不行？交叉创新的话，在这个地方的话啊，也可以试一下。好吧，只能也可以试一下，因为我们创新模型的话一般就有这么几种方案吗？所以说这几种方案的话没法说，但是改进算法的话，我觉得在这个地方是最常见比较常见一点的，所以大家呢，如果想做 c 的 同学呢，你要慎重， 你要能够有创新。好吧，你要有创新啊，真的哈，啥也不会，只能选 c 你， 那你，你不至于啥也不会，老铁们，真的不至于，你有 ai 了，理论，你没有不会的题目了，好吧，你没有不会了，而且 c 题呢，也没有那么简单，还是比较复杂的，大家都做， 所以说呢，就看谁做的好了，你想做的好的话，我觉得你和高手竞争是有很大的压力的哈，要有压力的，所以建议同学们呢，要慎重一点哈，要慎重一点 哎， ok 啊，这个这个大家呢要慎重哈啊，与这个题目的话呢，我们简单阅读一段的话，就是与星共舞啊，美国为美国，美国节目舞动奇迹啊， 然后呢，这个这个我们前面呢就是专家投票吗？专家通过什么在线投票？这是他们最喜欢的情侣啊，观众的话每周可以投票一次或多次，上下为当中公布的次数，然后呢，还有就是评委也可以投票之类的，然后选出第前几名来，对不对 啊？评委投票和得分和观众投票的组合方有多种，在美国版节日前两季采用基于排名的组合方式。第二季因什么什么啊啊， 然后，然后呢，就修改了这个争议哈，第二十四季又出现争议了对不对啊？评，尽管评委得分低，仍赢得冠军，作为回应，二十八级就说白了他的他的评分吧，是由评委和 评和这个观众投票来综合决定的。有的时候呢，评委觉得不好，但是观众觉得好，那观众投票多了，那么就有可能得得得这个最终的这个成绩了。但是，但是呢，又因为不专业，比如说一二流子一些选手，那么特别会讨观众喜欢，那也有可能对不对？ 还有有有，如果，如果评委特别的占比权重比较大，观众占比比较少的话，那有可能这很多啊，迎合评委的啊，评委的角度不能代表大众的，所以有可能引发歧义啊，就来构建一个比较合理的评价的这么一个啊，评分的这么一个模型啊，这就是整个题目的核心哈， 来开发数学模型啊，估算每个选手在其参赛的每周获得观众投票数啊，就估算这个呢，就是一个基础的预测模型了啊，每个每个这个来，同学们，来，大家告诉我哈， 开发数学模型一个和多个来，你告诉我到底开发几个？首先啊，首先到底开发几个？这个是一个要点哈，到底开发几个？ 你们记住哈，那就一定要开发多个。你想做 c， 我 还那句话，你必须是勇士，你必须要有胆量， 你必须要牛逼，对吧？要不然你要说你就开发一个，你开发一个非常基础的，你做 c 题，哪讲？我就这么说，你再创新也没有希望，因为因为选 c 的 人太多了，高手太多了。老哥这里统计了百分之四十的同学会选 c 了，都是勇士啊。说实话，所以你必须要开发多个， 而且多个模型来估算明白吧，来估算明白吧，你的模型估测关注投票结果是否能得出与每周淘汰结果一致的结论啊，提供一致性的衡量标准就是你要，你要能什么？ 你要结果要准确，你不能结果不准确，对不对？确定性如何？每种确定性这个就需要有验证了，就你的结果也有验证，说白了我我告诉大家哈， 真的，这个地方就看谁的模型精度高了，但是你们记住你们的精度啊，很多情况下来大家告诉我，来来，我问一下哈， 我问一下哈，来，这个的话你说老哥，我不单纯的用美赛官方给的数据，我用别的数据来佐证一下，可不可以？老铁们，就是我用一些达人秀，或者我用一些别的投票的一些结果来做，可不可以？老铁们，别的投票的模型来做，可不可以？ 可不可以？老铁们，你们跟我说完全可以，反而会把你的模型的这个精度啊，反而会提高的比较高。来这个地方一定要注意两件事一定要注意两件事哈， 一定要注意，除非他明确的说了啊，你可以看了没，你可以自行选择纳入信息或其他数据。看了没？其他数据，但必须要记录数据来，同学们， 我这地方要注意两件事，第一个叫什么过你河，第二个叫欠你河。来，你们觉得哈，你们觉得你们最容易做预测模型的时候最容易出现的一个问题是什么啊？最容易出现的一个问题是什么？ 就是你们如果来做这个题目啊，后面会有啊，我会讲到啊，你不用担心啊，啊，你会讲到来 你们容易出现了一些问题是什么？做预测的问题，做回归问题啊，过你河，我告诉你们，你们最容易出现的就是过你河了，真的，所以说你们一定要注意一点，好吧，不要出现过你河 啊，这个很关键啊，很多同学呢，做预测经常会出现过你和还有同学这么这么来做的哈，来，还有同学这么来做的，我们来，来啊，我，我后面会讲到哈，这里有一个完整的看了没？完整的来 看一下啊，来，看到没，他有一个完整的解析思路，第一步，一定要做数据处理。第二步， 观众投票预测构建贝叶斯啊，这是基于概率的模型，以评委得分选手特征周次为自变量，以淘汰结果为约束啊，预测观众投票数，预测知信区间。来这个地方呢，很多同学这么来说的， 我看你们的方案了哈，你们说老哥我预测他的投票得数，那我这样不就行了吗？啊，我，我这样不就行了吗？ 来，我直接就是用他每前几个周的得数预测他未来每个周的得数可不可以？老铁们，原来这样来说的哈，我用他前几个周的得数来预测他后几个周的得数 来。老铁们，你们觉得这样的行不行啊？你们觉得这样行不行啊？我刚才有同学在上面是这么说的啊，在评论区留言啊，包括在那个老哥私信我这么说的，行不行？老铁们，行不行啊？ 为什么啊？包括你们告诉我为什么？我告诉你是百分之百不可能的，不行的哈， 你别乱搞哈，你记住哈，投票结果是未知的，严格保密的，你不可能说用这个是吧？哦，前一个数据来预测未来几个周的数据，你就你就，你就完整的变成时间序的预测了， 知道吧？你是不可能的啊，你，你别乱搞，你别乱整哈，你别乱整来。 但是我可以构建一个什么样的模型呢？老铁们告诉我，既然如此， 那我就不能用时间虚的预测预测了，对不对？但我可以用什么预测来，我要我现在要做的一个一个参数叫什么？观众投票数，他和很多项数据有关系，包括什么评委的得分打分，包括一些其他的。哎，这地方有哈，包括其他的 看啊，哎，在这地方包括他的年龄，包括行业啊，包括一些是吧？他的这个这个是吧？这个这个选手的一些特征，包括他日常的动态，包括一些其他的淘汰的一些结果。来 来，同学们告诉我来，我相当于我要预测一个指标，它和若干个指标有关系。那你告诉我要构建的是一个什么样的模型啊？啊？要构建的是一个什么模型啊？这是这种预测方案不叫持续预测，这叫什么预测？老铁们， 哼哼，叫什么预测呀？到现在啊，大家都提出了有用 xd 版的啊，随机森林对吧？ 这就是回归吗？对不对啊？某一个变量和若干变量有关系，不就是回归吗？ 是不是？那不就是回归吗？所以说你这个地方既然构建回归，你们就记住我刚才就要返回来，我刚才提到那个那个逻辑了，不要出现过你河，也不要出现欠你河，好吧，过你河就是你回归的模型，太美完美了。 来，你告诉我这种未知的投票数量的能过于完美吗？老铁们，所以说谁的预测的模型的精度达到百分之百，你反而应该要慎重了，你百分之九十六九九九你都要慎重， 你的精度不可能那么高的。我可以告诉你哈，因为他是未知的，而且这两组变量之间理论上没有什么必然的情况， 不能说他评委得分就高，他观众投票就高，对不对？也不可能说，但是呢，来评委投票高，有没有可能观众投票也高啊，也有关系啊，也有可能啊，那评委投票高，有没有可能观众投票低呢？ 也有这个可能，对不对？所以说哈，这里面比较麻烦，比较复杂， 你呢，一定要慎重啊，一定要一定要考虑，就是自变量和一变量之间没有很强的关联度，没有很强的关联性，这个是很关键的哈， 明白吧，做这个做回归理论者是一个大忌，就是自变量和一变量之间没有很强的关联性，我们说这属于大忌，但是呢， 不代表说他俩没有关系，往往会呈现一个啊，就是典型的比如大部分选手可能评委投票比较高，观众得分也会比较高一点，只是说有一个大概的对不对？但是你要考虑极端场景之下的一些情况 啊，因为因为前面说了吗？对不对？来前面说了，以前面已经给你讲了很多了，对不对？说有有可能会出现专家评分高。所以说呢，这个 第一小问啊，我建议你们不要你合的精度太高。好吧，不要你合的精度太高啊，太高了确实会有问题的哈。来 第二小问啊，利用你的观众投票结果估算结果和其他数据比较和对比节目使用的两种投票方法，排名反而百分之在各季产生的结果是吧？就每一季对应的两种结果，如果结果再查也其中一种方法似乎更清，更似乎偏向于观众投票， 对吧？就是比较吗？对不对？和个体产生的结果比较结果的结果，如果，如果结果存在差异，那么其中就哪一种方法可能会偏向接受投票，说白了就是看看哪一种方法和观众投票的相关度更高吗？对不对？ 然后考察这两种投票之外存在两种投票方法存在争议与观众或观众意见存在分析的特定选手的拥有情况，投票组组合方法的选择是否会导致这位每位选手的结果相同，是吧？每周什么什么的啊？ 然后呢，咱们就那个一考虑一些具体的视力，把你建立的模型，再把具体的视力，然后呢这个考虑进去，然后呢，利用包括投票观众估算结果，在你的数据开发、模型分析、专业舞者以及数据中可用的名人数据的影响 对不对？这些因素对名人在比赛中的影响有多大啊？说白了就是你前面不是估算了一个观众投票的模型吗？对不对？利用观众估算投票结果在你的数据啊， 开发模型分析专业舞者以及数据中可用的名人特征的影响啊，这些因素对名人在比赛中的表现影响有多大 啊？啊，就你那个像年龄啊，特征啊，对比赛影响到底有多大？来评来他们对评委得分和观众投票的影响是否相同，这个也是要建立一个合适的模型哈啊，也要建立合适的模型的 啊。然后第四位提出另一种每周观众投票结合系统认为系统更公平。说白了就是就是啊，提出另一种每周结合观众投票评委的问题，说白了就是你提出一个新的打分方法啊，打分方法不是传统的这两种方法了，提出新的解决方法来哈，这样的话呢，你就需要全新的设计一种投票组合方法了哈， 让我们看一看完整的一个解决方案哈，来第一个啊，第一个来美赛啊，第一，一共四个小问，第一小问预测类题目，第二小问评价加决策类，第三小问影响因素分析，第四小问优化设计类啊，因为第四小问的话，它涉及到 新的投票方案嘛，对不对？所以说需要用到用到这个优化设计类问题哈，优化设计类来每一个小问，第一个问，预测每位选手每周的观众投票数，验证一致性和确定性，说白就验证精度啊，验证投票的这个预测的精度到底怎么样？ 评价两种投票方法的优劣啊？分析争议的案例，提出决策建议，就两种方法，他有没有什么两种投票方法啊？选人的方法有没有什么对错优劣啊？这叫是吧？那第三个分析专业舞者和名人特征对比赛结果的影响啊，然后呢？这叫做影响因素的分析吗？对不对？ 然后设计新的投票方案，这叫设计新的投票组合方案。系统一般就是优化了，对不对？优化方案找到最佳方案吗？对不对？最佳的这个投票组合方案，来，我们看一下理方法哈。方法 来，第一个用预测类模型，我们说了不能用单纯的时间性的预测模型，这个地方是不适用的，而是要用回归预测的思想，比如 c g c 的 模型加广义县域回归也可以啊， b e s 模型可量化观众投票的不确定性 对不对？然后 glm 能整合评委得分啊，选手特征等预测变量适合小样本高维度的需求，所以这两个模型组合，那个这叫组合创新，类似的组合创新还有很多很多的 好吧？很多很多的组合创新，比如说，比如说你这个地方可以用模特卡罗模拟，模特卡罗模拟来来得到与观众投票的不确定性数据，因为观众投票不确定性数据可以用模特卡罗模拟来做一做， 然后再结合一些预测模型来做，更好了啊，结果更，这样的话更好了好吧。有很多种创新方案，说白了就是你这个地方你不能上来就构建一个基础的方案，比如 igbo 的 cc 零，那这样的话是不太合适的，你要考虑到很多的不确定性因素好吧，而这些不确定性因素反而成了获奖的关键， 明白吧？啊？活跃的关键啊，你这里构建的模型呢？就是小样本高维度的预测数据。因为维度数据比较高，指标特征比较多吗？所以需要构建高维度的啊，高维度不能用基础的什么灰色预测什么的，不可能好吧，不可能的就是老哥老哥我用深度学习神经网络可不可以也可以 深度学习神经网络本身也适合于高维度的预测，但是呢，你的数据量最好大一点好吧，数据量太小的话很容易陷入过你核的现象啊。 啊过你和因为神经网络还有这个这个深入学习很容易过你和。所以说你需要有大量的样本来做哈来做。 还有第二个就是评价了啊，评价两种方案的对比。你可以啊，选择量量化两种方式的多维度，比如说两种方案每一种方案的公平性是观赏性 等等，如何？然后看到系数呢？看到系数用于衡量结果的一致性，这是评论结论，这两个组合起来也可以解决这个第二问啊，就是评价类评价两种方案的一个优劣吗？评价就是是吧，先构建评价指标体系，比如说公平性，观赏性是吧，这个效率之类的效率 啊，成本啊之类的，你可以都把这些特把这些呃，样本把这些指标啊，然后呢构建一个评价指标指标，然后呢再构建这个相关的一个权重 来这个地方你们最好来，你们告诉我啊，权重怎么来确定啊？要用双权法， 双权法能有公平性观赏性能能确定吗？啊？专权法能确定吗？做 a g p， 这是最最基础的一种做法了，因为公平性观赏性这玩意 甚至有模糊综模糊综合评价法，因为里面有很多模糊因素。公平性？什么叫公平？什么叫不公平观赏性？什么叫高傲低啊？较高傲，较低，这有很多大量的模糊因素，所以说用模糊综合评价法， a g b 模糊综合加模糊综合评价法，这个地方是比较适合的。好吧，你用双减法什么的，没有数据支撑压根对不对， 只能用这种模糊综合啊来做啊，来，还有影响因素分析，可以用多元现金回归加随机森林，如果你上面用过随机森林了，在这个地方我建议你就不要再用随机森林了好不好？不要再用随机森林了，你上面如果用了这个地方就不要用了哈，你如果上面没用这个地方啊，第一位也可以用这个地方，就需要换个别的哈，好不好？ 影响因素分析啊，你可以用随随随心回归加随心随林啊，回归模型量化限性因素效果。然后呢，这个随心随林捕捉非限性和交互效率，全面分析各行的重要性。说白，用随性回归来评价每限性 量限性影响啊，限性影响哪些因素啊？是限性限性哪些限性因素他的影响影响效益是比较大的，因为这样的话，他的限性限性参数里面的那个参数值参数影响会比较大一点吗？对不对？那么非限性参数， 那么就需要用 c c 森林了，来得到哪些非限性参数啊？来，你那个因素是比较重要的啊，这两个综合来考虑。哎，这个挺好哈挺好啊，营养因素分析用这种两种方法来分别构建限性因素和非限性因素，哪一个影响分别影响是最大的啊？这个反而挺好哈挺好的 啊，还有优化方案的设计第四位你必。你如果想拿奖，整个废题，你不能单纯的就上来就是提个建议或者等等之类的，或者随便上一个方案。你需要构建一个优化模型 啊，你优化模型的话，这样的话是有说服力的啊，不要多目标优化啊，既满足什么？满足公平性又满足观赏性，这样的话两种目标对不对？ 然后建立一个优化模型来得到一个最终的一个新的模拟，新新的一个投标系统来做新的一个一个打分系统。来来来得来得到哈。这打分系统既兼顾了观赏性又兼顾了平稳公平性。好吧，这样的会更好一点更好一点啊， 来，这个题目的难度呢？在三点五分左右，我的难度系数呢？中等吧。中等啊，不算高也不算低哈啊，不算高也不算低啊。首先呢比较复杂，就是他不是一个常规的时间训练预测模型啊， c 题就是很多预测都是用时间训练预测来说，但这个题目不是啊，他比较麻烦一点 啊，需要整合很多，又里面又有评价又有预测又有影响又有优化四种题型他完全还改了，你还要做到创新是吧？你没有创新还不行 对不对？你没有创新的话，因为本身原有的方案就有就不好了对不对？你还没有创新，那你怎么能获奖呢？对不对？ 所以就是他，他就是要求你创新，他不是说不要求他要求你创新啊，他就数据量工作，数据处理工作量也比较大， 因为题目给了你大量的数据集，你需要做数据处理，你不做也不行，对不对？数据处理比较大，你万一漏了那也不行。而且 c 题百分之百数据是有问题的哈，我告诉大家每赛官方的尿性，百分之百数据是有问题的，你不做也不行哈。 啊，难点啊，刚才说了是吧，投标的间接预测，无直接数据交准是吧？说白了就是你，你需要人为人为的来判断一下一致性，没有数据作为交准，未知的投票结果，观众投票结果都是未知的哈。 两种投票方式你需要兼顾公平性、观赏性这种呢？公平性和观赏性吧，本身就属于模模糊数据级，又要把它变化成量化，所以需要构建成吗？绿水多函数， 这个函数的构建很关键，到底是限行函数还是还是一些其他的非限性函数来，你和这个量化指标，这个就很关键，你要构建一个模糊综合的话，你需要你绿水多函数，这管重要是吧？这个绿水多函数一旦做错了，那就很危险啊。 来，还有选手的特征，评委得分啊，很复杂啊，既有这个年龄行业又有得分，又有主观客观的一些内容交杂在一起就复杂的建模啊，很麻烦哈。还有新的投标系统吧，也比较麻烦，一种条件怎么来设定 对不对？目标函数怎么来制定？目标函数又要兼顾两种，两种内容，这两种内容又不是那种传统的量化那种，他整个题目真的是既有哎，预测优化，模拟。哎呦我的妈呀，我头大，我头有点大了啊。真的啊， 头有点大了是吧，还要脸？数据处理必须要做对吧？零得分啊是吧？控制啊，都需要补充是吧？预测需要明确假设条件，量化不确定性是吧？有很多的不确定性，你还需要量化他 对不对？你不像这个 b 体吧，太空电梯吧，有些不确定因素我们还能知道是吧？异常了，别结果突然变大，结果变小的，这玩意不确定性怎么来量化对不对？比较麻烦 是吧？还有评价指标的确定，指标的确定呢？还都是一些啊，一些难以量化的一些模糊指标， 对不对？也很麻烦对吧？新系统设计还要既要保证效率，还要你不能整的太过于复杂是吧？你整的太过于复杂的话，那就可推广性，可朴实性，就朴实性就比较小了。所以这个题目看着简单，实际上一包子坏水哈，一包子麻烦哈， 来啊，首先解决思路，先数据处理，然后呢啊，选举选手特征，变量，年龄，行业，然后构建观众投票，观众投票预测模型。贝叶斯这样的模型是不是 以什么评，以评委得分，选手特征周期为自变量，以淘汰结果为约束，观众预测投预测，观众投票数，计算预测执行区间 啊，这两种模型来分别构建啊，以什么为质，变量为什么为约束什么的，然后投票方法评价啊，设计指标评价体系，如争议、防范力， top 三偏重等于得分，用 h b 量化权重。然后呢，分析差异， 第四个要因素分析，构建回归和森林分析，专业舞者啊，来来和对投票的一个影响程度啊。然后呢？第五第五种设计多目标优化模型来确定啊，这整个的这个这个思路啊，还是比较比较明啊。思路倒是比较明显了啊。思路第一步，第二步，第三步，第四步该干什么？我们刚才的分析已经比较明显了啊， 要点就是创新，必须要融合多元信息的创新。好吧，这个模型的创新之管重要。这个我觉得这个题目的关键就在于创新，你到底能不能得到一个创新性的一个评价，一个预测模型，一个一个那个，呃，打分模型这个很关键啊，都是逼着你创新， 还有就是量化结果啊，量化结果是吧，给出投票的准执行区间，预测区间，这个说白了，你这你的预测值和预测区间千万不要太高，我建议不要整个百分之百，你说老哥我就等着百分之百，那你这是过你河了啊，一定是过你河了哈。 还有就是这个可制化哎，最好做一下可制化分析，模型检验也最好做一下啊，模型检验啊，然后呢？呃呃，擅长哎，这个题目就比较擅长数据处理。擅长擅长擅长。那个数值分析的题目推荐做， 计算机人工智能的也推荐做，功课的就不要不推荐了，因为里面也没有你能发挥的余地，全都是一些统一建模的东西啊。功课的不建议你做，尽管的呢，也还能做哈，也还能做哈 啊。然后呢，这个零基础的啊，我也不太推荐啊，比较麻烦。中等基础的也可以，高基础，中等基础，基础能力比较好的可以做一做，因为这个题目呢，写的人多，意味着你比较有创新点啊，看着简单，但是入手很麻烦，你看啊，一步一步的很麻烦，你千万不要觉得这个题目简单，我反正做到了，我没觉得很简单哈， 我真是觉得比 b 题都麻烦哈，真的哈，你可以你可以试试啊，你想做的同学，好吧，然后呢，我们一会呢还是会用我们整个的 ai 的 这个这个教程啊， ai 的 教程来给大家全详细的做一遍哈，来把这个是吧，尤其是注重创新，看到没， 我这里面还是会注重创新啊，这个方案二里面会注重创新，然后呢，把整个 ct 完整的从零到一的建模过程，代码调试都给大家做出来哈， 然后呢，我们把相关的代码包括我们的老师也在研发了，到时候相关的原代码都给咱放在这里面，好吧，我们导出的原代码都给大家放在这个里面哈， 好吧啊，大家到时候一定要去领取一下，千万不要忘记领取哈啊，不要忘记领取相关的原代码，相关的参考资料，相关的代码成品那边都给咱放在里面了，你到时候可以比对一下老哥团队做的和你们团队做的到底怎么样，好吧 啊，不一定，我们做的完全就百分之百对，仅供做一个参考哈，相关的源代码资料，每个题目的源代码资料，还有相关的解析文档之类的，就给大家放到我们我们的网盘链接里面去了，大家一定要去领取一下哈。 ok， 谢谢大家。