星.惜尘-CSDN博客

原创国赛C题 Datawhale成员讲解心得——以2023年国赛C题为例

首先对于大数据题，前面的算法其实差不多够用了，接下去就是熟悉这些算法，这些算法的熟悉最快的就是通过比赛，这里我知道了最有用的就是阿里云天池，我在接下来的两周应该会多训练这两个部分，其次我对优化部分有了新的认识对前面提到的那几个求解器我准备去试一下熟悉熟悉，还有我收获到一个能直接用的画图软件：hiplot。最后第三个我觉得非常有用的就是学长对大数据类型的题目该如何学给我很大的启发，其中一些信息我确实受益匪浅。接下去数据处理的部分（注意该处理部分针对的是2023年国赛C题）接下去是介绍了一些常用的算法。

2024-08-17 00:01:31 316

原创听国赛A题讲解心得

说实话去年我做的也是A题，给我最大的困扰就是第一问中的求解阴影遮挡效率，因为没有具体学过这个相关的求解思路，对那些智能算法怎么编程都做不来，所以就这个一小问硬控我整整三天，难绷。这次直播主要听学长讲解的是2023年国赛A题，定日镜场的问题，在里面首先是论文的排班还有里面的画的图形等我感受颇多，了解到一款专门绘制几何图形的软件，叫做：geogebra(几何绘图软件）(感觉这个非常有用，至少避免了我之前每一次都是语文建模。其余的收获暂时还比较少，也许是A题的这种类型我见的还不多，打算后面多找些资源再学一学。

2024-08-11 01:48:26 198

原创 Datawhale数学建模导论课程第十章学习心得(1)一多模数据与智能模型

计算机视觉就是让计算机看到世界的一门学科，它主要聚焦的就是图像信息如何在计算机中存储、表示、处理、分析、理解并应用。文本的向量化方法有很多，从最早的基于统计自然语言处理的向量化方法，到后来的基于机器学习的向量化方法，再到目前应用广泛的基于深度学习的向量化方法（尤其是基于大规模预训练模型的向量化），向量化方法的技术路径按照一条有规律的主线向前推进。Python处理字符串的功能非常全面和强大，无论是基本的字符串操作还是复杂的文本处理任务，Python都提供了丰富的工具和方法。Datawhale 数学建模教程。

2024-08-08 02:41:00 639

原创 Datawhale数学建模导论课程第九章学习心得（1)一机器学习与统计模型

方差分析（ANOVA）可以用于两个样本及以上样本之间的比较，并可以用于分离各有关因素并估计其对总变异的作用，以及分析因素间的交互作用。反之，如果组内变异的比例较大，说明组别之间的差异不显著，可能是由于随机误差的影响。该步骤一般分为：分析检验问题的类型，确定原假设和备择假设，构造检验统计量，计算检验统计量以及对应概率，判断概率是否在置信区间内，若满足则接受原假设；二、机器学习（教程中的方法还是比较全面的还没有学完，因此这里就先列出一般的机器学习的步骤，后面有时间再把每一个具体方法补上）

2024-08-05 00:40:08 1732

原创 Datawhale数学建模导论课程第八章学习心得(I)一时间序列与投资模型

时间序列是具有时间属性的序列数据，以时间作为索引，可以按日、小时、分钟或秒等不同时间单位记录数据。HMM广泛应用于语音识别、自然语言处理和生物信息学等领域，通过解决评估、解码和学习问题，模拟和预测复杂的时间序列数据。ARIMA模型是处理时间序列的统计方法，适用于平稳时间序列。学习问题：使用鲍姆-韦尔奇算法确定模型参数，最大化观测序列的出现概率。股票序列预测：基于时间序列方法预测股票价格，指导投资决策。股票市场：股票的开盘价和收盘价随时间变化，形成时间序列。平稳时间序列：均值、方差和协方差不随时间变化。

2024-07-31 02:40:05 1366

原创 Datawhale数学建模导论课程第七章学习心得(1)一权重生成与评价模型

数学建模导论》教程，全网最全数学建模模型与算法教程系列，带你走进数学建模的大门！GitHub - datawhalechina/intro-mathmodel: 《数学建模导论》教程，全网最全数学建模模型与算法教程系列，带你走进数学建模的大门！4.获取信息量归一化得到指标权重，再用权重去乘归一化的数据矩阵可以得到每个对象的评分，并根据评分进行对象的评价、排序。1.对效益型指标进行从小到大的排序，并计算每个指标的秩次。2.对成本型指标进行从大到小的排序，并计算每个指标的秩次。

2024-07-28 01:09:50 1540 1

原创 Datawhale数学建模导论课程第六章学习心得（1）——数据处理与拟合模型

最后简单总结一下，这次对于数学建模导论的第六章内容，我主要学习了数据预处理、数据规约、数据可视化，对于我后续建模时对这部分有了一个基本的了解，当然比如中间的异常值处理还有一些常见的画图，我在心得中并没有一一写出来，只是谈了谈我学习的部分内容（有很大一部分也是我比较懒，没有全写出来嘿嘿）想要更加系统的学这部分，还是需要结合教程还有网上的相关资料，后面对于经典的一些统计模型只是粗略的看了看还有部分没有细度，这部分准备放到机器学习那边再一起学习。但是如果出现异常值，比如非常大的数值，那么这个数据的分布是有偏的。

2024-07-25 00:03:09 652

原创 Datawhale AI 夏令营第二期Test2学习笔记

最后的最后，其实最主要还是我比较懒，本来应该前两天写完的心得一直拖到今天晚上才写，呜呜呜，好多其实我还想说，中间的特征处理还有模型训练其实我还想试着改进一下，看看别的方法行不行，比如LSTM我记得也可以用来处理预测类问题，不知道在这里的效果如何。一个是用来描述：不同房屋类型对应实际电力消耗的大小（这里多说一句，我们本道赛题的目的就是对实际电力消耗进行预测，所以先看训练集中的实际电力消耗和不同房屋类型的关系对我们后面进行测试集的不同房屋类型对应实际电力消耗的预测就有一定的参考价值。如下图所示，可以将d时。

2024-07-17 22:37:29 672

MJXY3222054102的博客