更多干货关注树魔乐园公众号!
粉丝4153获赞3.8万

大家好,那么本期数学建模美赛 a 题目和 c 题目的完整论文呢啊,在这个一月三十一号就已经更新完毕了,那么当时呢我是已经发布了这两道题目完整论文以及相应的代码和结果的完整讲解视频。 然后呢明天早上也就二月三号的啊,早上呢这个比赛就要结束了,呃,在最后呢再给大家讲一下一些注意事项。呃,首先是呢,这个 我发给你们的是这个完整的原创论文的啊,以及我所有这个代码和结果的打包,那么已经拿到我这个完整成品的人呢,请务必把这个啊我发给你的降重操作复现视频呢, 以及那个代码速度附件视频的幺五把它仔细的看完。然后呢把降重说明视频里面的所有的点呢全部都落实到位啊,包括我整个这个论文里面呢,有很多个黄字提醒啊,告诉大家一些获奖点的说明啊,包括一些降重的说明,那我这些点呢也希望大家都能够落实啊,已经拿到我一个论文呃代码的人啊,希望你们都能够落实 关于这个完整成品的说明呢,大家可以看这个视频的评论区。好啊,就如果你现在还没有这个完整论文和代码的话,可以看这个视频的评论区呃,然后整体给大家讲一下吧,首先是这个比赛呢,是明天早上十点啊,就截止提交了,那大家呢千万不要这个卡点去提交啊,最好能够提前呃两到三个小时就去上传 啊。呃千万不要注册卡点,因为往年呢美赛有很多个人啊,就是注册提交的时候呢啊,由于注册提交的人太多了啊,让我卡住啊,或者说上传不上去啊,导致注册提交失败,然后呢说的兴趣全部白费了,那么这是大家要注意的第一个点啊,关于提交式时间的这个点。好, 再一个呢,说的就是关于美赛这个论文的篇幅问题,那么美赛论文呢,限制一共是二十五页,这个二十五页是包括副路的,那大家可以看到呢,我做的这个论文呢 啊,他这个页数是很多的啊,这个 c 题目呢,是一共是八十二页,然后 a 题目呢是七十页,那么为什么会篇幅这么长呢?主要这里面有大概十几到二十页呢,是提醒大家如何去进行修改成书,以及啊复现,包括获奖的树名的黄词提醒啊,大家可以看到前面的十几页啊,包括后面的这些黄词提醒啊,都 是啊,以及论文中呢,我也有很多个黄提醒,因为我必须要照顾到大家每一个人的水平,大家能理解吗?所以我必须得事无巨细的啊,把这个结果,那么这个结果呢,就体现出来,什么东西我都得给大家分析到位。 那么在大家最后的这个论文里面,大家当然要进行一定的删减啊,包括我放这些论文图标也都放的比较大,但大家可以把它缩小一点,然后比如说做成呢,呃,两个这样一排,这样的一个形式能理解吗? 然后包括里面一些分析性的文字,呃,求解步骤啊,大家也都可以去进行删减,就是理论分析部分呢,没有必要这么多啊,我之所以写的这么详细,是害怕有的人看不懂啊,因为每个人队伍属性都不一样,所以我呢,呃,就把它写的太详细一点,这个大家自己去删减就可以了。总结中的论文篇幅一定要压缩在二十五页左右 呃, a 级木这个论文呢,页数稍微的少一点,一共是这个七十页左右啊,七十页。那么大家呢,也是像我刚刚说的一样,包括论文中一些图表的展示,呃,我展示的可能比较多,你们可以稍微的少展示一点啊,包括这些论文的里面的 啊,各种描述性的话呢,大家也都可以进行压缩,最终形成的这个论文篇幅呢,也是二十五页左右啊,这是其中第一个点有个大家去提醒的。 再一个就是我希望大家之后在写作文的时候呢,我不是要告诉大家要布置这个流程图啊,这些东西吗?啊,这是咱们美赛论文里面的一个,非常大家分享。然后你们在布置这个流程图的之前呢,请务必把这个论文整体的逻辑呢去把它盘到位啊,千万不要犯一些逻辑的错误,就整个这个论文呢,它在写成转壳啊,每一步我们要干什么?那么这步我们为什么要干到,下一步我们要做些什么东西 啊?那么这些步骤都对应了原题目中的哪些问题?第一点呢,逻辑肯定是很混乱的, 关于怎么去盘这个逻辑啊,那么大家可以去看我之前发布的这个 a 题目和 c 题目完整代码和论文的讲解视频在里面呢,我是仔仔细细的跟着大家对到的原题目,从第一问开始,把整个这个论文的逻辑都给它盘到位了。 呃,然后呢,我之前不是这个,因为 c 题目实在太复杂了,所以我给他准备这样的一个 word 文档,就是关于啊,这个每一步的这个子问题都有哪些东西。因为这个原题目呢,确实是。 嗯嗯,他这个一个大的问题里面呢,嵌套了很多个小的问题啊,这个大家看也太复杂了,你永远不知道你现在到底哪些子问题检查清楚了,哪些子问题又没有检查清楚,所以呢,我是给大家盘点这样子问题,那么大家可以对照着这个子问题的文档呢,哎, 去看一下你们最终形成这个论文啊,或者说你对照着我的,我给你们发的参考论文啊,去对照着一下。那么在原来的参考论文里面呢,我是分了很多个二级标题和三级标题,那么这些二级标题和三级标题呢?哎,其实就是 对应于这些所有子问题的解答啊,这个逻辑呢,我是已经盘的非常到位的,大家可以看左边这个导航栏。呃,你看啊,前面的问题逐出分析模型也是否什么没有的,不跟大家说了啊,中间重点就是中间这个模型仙女球技,大家可以看呢,问题也模型仙女球技里面啊,我分这样的几个标题,这个可能大家看着有点看不太清楚,我给大家把这个目录打开吧。好吧,我再给大家盘一遍。 ok, 那 么整个这个目录是这样的啊,我们第一用呢,首先是建立这个基于贝斯推断的粉丝投票繁衍模型,也就是那个 mc mc 模型啊,我前面也跟大家讲过了,那么建立完这个粉丝繁衍模型之后呢,我们去实际的指示我们的算法。 呃,这里面呢,包含的是四个大的步骤,首先是进行预述,预处理和规则的映射,然后呢,我们实际去跑这个蒙特卡路模拟的循环,针对每一周,然后补发结果,之后我们去做这个一次性检验和剧烈性度量啊,这也是题目要求的。然后我们把这个图标送掉呢做映射,因为我们轮廓区里出来的只是这个图标的比例嘛。然后到轮廓第二部分呢,我们做这个反射式的模拟框架和敏感线的分析, 哎,这是他的理论建模步骤啊,弄完之后呢,我们就去做实际的模拟算法和结果,得出这个法式之的模拟结果,这也是题目要求的。然后题目要求不是让我们把那几个案例分析一下吗?哎,我们把题目要求的那几个正义正义的案例分析一下,再一个呢,题目要求说,哎,如果有其他案例的话也可以分析,我们在这里加了一个标题,是关于其他案例去分析, 然后是加入了这个评委,拯救极致的啊,电路模型啊,就说加入这个评委整顿之后之后会怎么样?那我们把它加入进来啊,然后给出它的算法步骤和它的修剪结果,之后呢,是关于这个赛制的苹果模型,他也说呢啊,这个你介不建议用什么赛制查的啊?那么在这里呢,我们建立了个多目标的帕里克优化,给出了最佳的这个赛制, 然后问题三是让我们做那个影响的分析,哎,我们这里呢先做描数据的描述性统计,从整体上去把握这个数据,然后我们做只有数据的预处理和特定的工程,哎,然后我们建立了一个两阶段的绩效归因模型,来去回答题目中的这两个问题,他看一下有回答关于题目中的 这两个子问题,一个是职业舞者与名人特征的影响,一个是呢对于评委或者粉丝的影响差异啊,在这里就对应于这里的一个是精准期望的回顾模型,一个是啊,这个职业舞者的向东模型啊,最后给出他们的球结结果。那么最后疑问呢,是让我们给出几种,呃,评分系统的优化 啊,能提供什么方案?那么我在这里呢是提供了三种模型,一个是报准分的融合模型,一个是两阶段生成的博弈模型,一个是实变动态权重模型。那么大家在最终的融里面呢,是不需要把三种模型全部包括进去的, 你们只挑选其中的一个或者两个去展示就可以了。假如说你最后论文篇幅特别长的话呢,你只保留一个就行了,假如说最后还留点余地的话啊,就还没达到达到这个二十五页的这个篇幅的话,那么你们可以保留两个,不要三个都保存。好吧, 还那句话呢,就是因为这样,所以呢我最终的论文篇幅呢,才会这么长,就有真的八十页的这个篇幅,因为呢包括后面这个最后一问, 呃,能够提出什么评分的这个方案的话呢?呃,我也是给大家提供了三种方案嘛,所以这个论文篇幅当然会很长了,好,那么这就是关于这个 c t m, 呃,然后包括这个代码啊,我给大家讲一下,就代码的操作复现识别,大概大家应该都已经看过了,然后关于代码中间格式化的图片啊,大家能看到这个格式化图标, 呃,大家要注意呢,我们说的是这个美赛啊,所以在最终的论文里面不要出现任何的中文,所有东西全都得是英文, 那么包括这个格式化的图片呢?我当时为了大家,为了避免大家看不懂啊,这个图片到底在干啥,我用的其实是中文,那么在这个格式化图片的这个标题啊,啊,这个东西呢,大家也都可以去进行修改,你们把它改成英文就可以了。标题怎么去改呢?这个很简单了,哎,你看啊,这就是他的这参数啊,参数标题没有啊,你可以把它调成英文就可以了,随便把它调成一个英文,把它删一下,你随便打个英文就可以,能理解吗? 好,这我就不用不用给大家多说了吧。好,然后包括我这个代码书的附件视频里面给大家讲过了,这个图片的颜色可以进行修改,大家也要不要忘记进行修改,好吧,为了避免这个差错问题, ok, 然后就怎么这个论文呢,那个降重复现的操作复事情视频呢?大家一定要去严格的落实啊,把这个降重做到位也可以了。 呃,好,然后这个 a 级木的这个论文的逻辑呢?没有那么多,呃,我给大家讲一下啊,这个整个逻辑吧。 呃,那在这个问题里面呢,我们显然是啊,建筑理论模型,也就是这个电效等电池的等效电路动力学的项目问题啊,所以说我们要得到这样的一个连续时间状态的空间系统啊,是一个藕合方程。 然后题目目的里面的要求我们去做一些数据的收集啊,但是呢,我们不能用什么黑箱啊,预测啊,就是不能用数据去用的模型,我们找的这数据呢,只是参数选择日期呢,我们就用的是选举指标和他的相应的参数准备,那我也就参数呃,我都是有相应的参考文献对应的,那么这个在目录里面也已经标注了啊,打开之后呢,自己在目录里面再去标注一下就可以了。 然后问题二里面,我们是先去建立这个马克夫乔治蒙特卡罗模拟模型啊,然后我们给出了这四种因素啊,就四种场景,我们去跑模拟,一个是初尺电量,一个是电池监度,一个是环境温度,一个是载的强度,然后我们给出他们的模型性能的评价啊,模型性能的评价。然后呢我们 问题三呢,是做这个灵敏度分析嘛,我在这也是做了两种,一个是局部的灵敏度,一个是全局灵敏度,然后呢给出他们各色结果啊,然后问题四里面 啊,他一个是这个用户行为的评估模型啊,就说什么用户行为能好一点,另外一个就是这个主动控制的策略模型,就看一下这个题目里面啊,一个用户行为一个是怎么样能有一个更好的省电策略,这也在最终的这个 论文里面呢啊,我们实践的这两个模型之后,让我们给出他们的实习结果啊,给出他们用户行为的策略评估,以及操作系统管理的策略分析。那么在最后呢一幕还告诉了我们啊,就是关于这个电池老化的问题,以及如何去推广。那么这两个标题呢,大家可以写的简短一点,但是千万不要把它省略,否则呢你这个论文呢,呃,就把人家原题目并没有完全解开 完毕啊,捷达完整好。呃,至于这个 a、 d、 m 的 代码呢,我就归大家都注出了吧啊,还是跟 c 题目一样,包括一些格式化图片的这个颜色呀,标题啊,大家不要忘记修改就可以了。好,那大概就是这么多吧。然后呢再给大家讲下最后的啊,就是关于。 呃,首先是关于这个副路问题。呃,目前呢,美赛的物展论文基本上都不粘贴副路了啊,因为这个二十五页确实不够用。呃,美赛呢是认为这个副路的业主呢,也是算入这个总业主的,只是那个 ai 的 评估报告呢啊,这个不算入业主而已。所以呢副路一般啊,基本大家都不粘贴了,而且呢评委基本也不看副路啊。呃,美赛的这个评委呢,基本上都是只看这个整体的论文, 那么还有一点就是我跟大家讲过的啊,呃,我在前面这里有一个视频,叫做一小时带你疏通啊,这个说行不行?在 那么大家提交之前呢,可以把这个视频再去看一下,那么在这里面呢,有几个获奖点的出名,大家可以读到最后面有几个获奖点呈现几下的一些句子,我们可以直接去抄里面啊,比如说我们到时候也可以写过程中呢,不断是要去中,这里有一个实战获奖点的出名,大家把这个仔细去看一下。呃,我在这里给大家讲了几个我们最终论文获奖的需要关注的点,一个是关于 java 的 书写, 一个是关于论文中一些图片的绘质,特别是关于流程图的绘质。那么最后呢,一个就是关于排版的问题。呃,这三个点呢,我希望大家都能落实到位啊,去提高大家的获奖概率,那就说到这里吧。呃,关于这个完整出名论文和代码出名,大家可以看见我这个视频的评论区。呃,希望大家呢,都能够顺利提交,也能够获得自己满意的奖项。呃,谢谢大家。

周末突然发现每签预约有变化, ds 幺六零需要先提交,以前只要生成 ds 幺六零号码就可以去预约,稍后再提交,没有任何问题。现在填写 ds 幺六零号码时,后台会做检查,发现还未提交就无法再继续。 如果 ds 幺六零以前被使用过,同样也会有提示。其实这个变化是有好处的,避免了由于 ds 幺六零号码错误引起的各种问题,减少大家损失。 青蛙笨笨分享两个近期的探亲申请,一月六号广州面签通过,七号签发零零后去年刚结婚,陪我也是刚拿到绿卡,一起只去过日本,首先就通过,相当不容易。 一月二十一号武汉面签通过,二十三号签发,单身弟弟纯白本儿看望赞美公民姐姐,说实话,如果是旅游基本是没有希望的。青蛙笨笨是您身边的签证达人,如需帮助请在评论区留言。

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!

博美赛啊,现在比的是你会不会用工具啊,拿奖之后啊,奖学金和保研加分都直接拉满了。给你们分享三个好用的树模工具,一条龙服务全部搞定。第一个就是 infam, 想要拿奖代码和图的就必须好好弄。 infam 现在接入了地表最强的编程大模型小柯的 opus, 你 只管把数学思路告诉他,那些复杂的遗传算法,神经网络代码,他秒生成, 直接就能够跑通,不像别的 ai 很 容易就出 bug 了,跑通之后再不断迭代记录就 ok 了。更好用的呀,是它的画图功能,论文里最费时间的模型,流程图、思维导图,用它就能够一键生成,配色专业,逻辑清晰,直接复制到论文里面。评委看到这么好看的图,第一眼印象就直接拉满了呀,想体验的评论区扣一,我给你发邀请码。 那第二个就是 dippo, 搞定美赛的全英文论文的翻译官,大家要知道,评委基本是母语,英语,母语人士就不要用普通语法去送人头了呀,把写好的中文部分扔给 dippo, 它的学术翻译地道的就像母语者写的一样,专业术语一个不错,很多科研人士都在用,用它润色一下,那个高级感就直接上来了,论文档次 直接起飞,读起来非常顺滑。第三个就是 overleaf, 你 直接把数码的 text 文件上传上去,就直接是一个稳定的模板了, 不用再慢慢排版了,像什么公式啊,表格参考文献什么的,一键搞定。更重要的是数目的比赛,作为一个三人比赛,就很需要这种 overleaf, 可以 多人实时同步写作的写作工具,你用 excel 把内容和图生产出来,再用 overleaf 慢慢排版,省心到离谱。好了,在这里祝各位比赛顺利,都能拿到好结果!

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。

不是,你以为我刚起床吗?其实不然,其实是一整天没睡,从昨天的早上八点到今天上午九点十二一点没睡,刚刚才提交完论文。 我也不说啊,只能说美赛是一场压力局吧,然后结果也感觉不怎么样啊,现在很困很困很困,一整天没睡。你要告诉我一整天没睡感觉怎么样?我只能告诉你很妙,妙不可言。

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。

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。

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。

只要你会抄,那你就一定可以拿到一个好的奖。所有参加美赛的同学,如果说你现在还不知道论文要怎么写,模型要怎么建,甚至连队友都没有找齐的话,本期视频将告诉你如何零基础速充并拿下 h 奖, m 奖甚至 f 奖。 首先我自己在第一次参赛的时候是零基础,并且队友还跑路了,但最终我们还是拿到了 h 奖。第二次参赛的时候,我们带队拿到了 f 奖。去年我把我的经验总结成了一些文档,那么有一些同学根据我的文档第一次参赛就拿到了 m 奖甚至 f 奖。 接下来呢,就进入正题。首先我再重申一次,本期视频是为零基础同学准备的,如果你是大佬的话,那么帮助不大。 这里呢,我就给大家透露一个比赛的秘籍,这个比赛包括美赛在内的所有的比赛都适用,只要你是公立的参赛,为了加分,那你唯一的策略就是抄,只要你会抄,那你就一定可以拿到一个好的奖。那为什么要抄呢? 首先天下文章一大抄,不抄白不抄。美赛刚好就是个写文章的比赛,那对于这种比赛虽然有一些评分标准,但是这些评分标准呢,其实我们也看不到什么具体的内容, 但是评委他们是有自己固定的审美,这些审美我们可以在往年的获奖作品,也就是欧奖论文里面可以看出来,那只要我们去模仿这样的欧奖论文,那么评委看到了他自然就会觉得我们是一篇优秀的论文, 那么从而我们就可以拿到一些更好的奖项。那美赛怎么抄呢?大家可以看我去年的合集,那这里所说的抄其实是一种像素级的模仿,什么叫像素级呢?就是说你要一点一点的根据全部的内容来模仿, 从标题、摘要一直到最后的参考文献附录, ai 使用说明。为什么我们要这样去抄呢?因为你并不知道 欧奖论文到底是哪个部分出彩才拿到了欧奖,我们作为领袖的小白怎么可能知道呢?如果我们知道的话,那我们自己就可以直接拿到这个欧奖,根本就不需要学了,所以说我们要一点一点去抄。 那为了更好的去模仿,我们可以去总结一下所有的欧奖论文,他们有哪些共同点,那这些共同点是我们一定要做的, 那对于其他的点呢?我们就只能自己来感受了,我们可以选一篇自己选的题目里面自己最喜欢的一篇论文,然后来进行模仿,以它为主要主要的参考对象来模仿,这样就可以了。 那我去年的合集呢,主要是针对了二十四年的我讲论文,那这个每年肯定都会有一些新的变化,所以说如果你想 直到二五年这个欧奖论文它有哪些最新的变化,那你可以自己去探索,自己去找一下,那你也可以关注我,然后呢,你可以在后台私信我,我在今年整理完之后会发出来。 那今年我们除了可以自己手动的去查看这个欧奖的论文有什么共同点,我们还有其他的方法,那就是说用 ai 的 帮忙, ai 可以 帮助我们去看到一些欧奖论文这个共同点, 并且它也可以帮助我们直接去模仿欧奖论文来生成一些文字,但是这些首先需要你自己对欧奖有的论文有一些大概的了解。 那么如果说你还想知道更多的关于 ai 要怎么样去帮助我们完成比赛, 而且是全部的流程,也就是说从甚至从这个组队友,一直到这个选择题,一直到每一步要怎么写,怎么用 ai 来帮助我们完成。 那么你可以进一下我们这个答疑群,这个答疑群是包括我提供的所有的资料,然后后续如果大家对 ai 有 一定的需求,就是说你希望知道怎么用 ai 来帮助我们完成所有的内容的话,我后续如果需要的人多,可以考虑开一个直播给答疑群的所有的同学, 然后教大家怎么用这个 ai 来完成这个比赛。关于美赛的部分呢,就结束了,感谢所有能够看到这的同学,这是我第一次采用录视频的方式来分享自己的经验。 后续如果说大家还有什么问题,比如说美赛,或者说其他学习上的问题,或者说有哪些想整的活,都可以在评论区或者后台私信我,那么谢谢大家。

如果大学生寒假只选择一个竞赛参加,那肯定就是非美赛莫属了,好拿奖含金量还高,不管是奖学金还是保研呀,都能够进行加分。今天呢,给大家一条视频,把保姆级获奖攻略全部都讲清楚,帮助大家提升每项的奖次。 第一个就是美赛呢,全称是美国大学生数学建模竞赛,它是一个线上的比赛,中国学生都能够报名参加,要求的是同校三个人组队,四天时间内呢,从六个赛季当中选择一个适合自己的进行答题, 最后提交一篇论文就可以了。这里告诉大家,只要这个比赛按要求完成,论文如果说排版规范,再配上几张非常精美的图标模型,大概率就能够拿一个二等奖,也就是 h 奖。 这个奖项是国家一等奖,相对保研加公测还有拿奖学金都是非常有帮助的。我每盒期间呢,是参加美赛,获得的是 f 奖,也就是特等奖提名奖,相当于是一个国家一等奖,还被学校还有官方的一些账号所报道。 后面保研到博克大都很有帮助,所以我帮大家总结了优秀论文的图标模板都在这里的哦,打出六六六可以直接找我要,时间呢,不到两周了,今年的比赛是一月三十号到二月三号,千万不要错过。这里呢,给大家准备几个 核心的获奖关键团队组建呢,它是核心,三个人啊,必须要分货明确,一个人来负责建模,负责设计模型,推导公式。数学最好还得稍微放点算法,这样协助编程好编程, 那编程的同学呢,就要实践算法,然后处理数据,用 mylab 或者 python 做一些三维的比较美观的漂亮图标。然后最后一个呢是写作,负责产出非常规范的英语学术论文,英语是平面在线,而且还会有排版, 这里呢强烈推荐拉萨克,省时省约,而且排版还非常好看,是隐形的夹克像。另外还有几个小型的建议。第一个就是要多看往届的优秀论文, 摸清优秀论文的解析思路和写作逻辑,因为你只有知道优秀论文是什么样,朝着这个标准写,你才能够获奖。第二个就是比赛,不要过分的追求版本,先把东西做出来,成功提交呢,这是首位的。 第三个就是摘药要特别的重要,至少要留出两到三个小时时间精心的打磨。最后一个呢,就要提前一周调整作息,才能保证四天高强度的比赛有一个非常好的效率。关注我网研规划,不走弯路!