碎碎念的碎碎念：开启博客写作的初衷之一是想要给更多的后闻道者通俗易懂地讲明白一些知识。我自己在自学一些科目的过程中发现课本过分难读理解，作为教材来讲它们一定是优秀的，但是作为外行者入门学习明显可以“劝退”很多人。实习过程中通过CSDN、知乎、微信读书（没错就是大家想的那个）拼拼凑凑但也成体系的学习了很多关于自动驾驶领域的知识。很多更新的博主会用非常通俗易懂的例子来讲解知识，知识本身不是一遍就可以学懂的，在入门后再研读经典教材会对我们建立自己的知识矩阵更加有帮助。我非常感恩有那么多的前辈先入门并且愿意分享他们的理解，因此在一段时间的沉淀学习之后我也想要加入到这个团队中，成为知识的传播者，终身学习的践行者。
目录
好啦开始今天的正题：五一出游期间在路上读完了斯蒂芬·沃尔弗拉姆的《这就是ChatGPT》，起初只是想要了解一下神经网络在大语言模型中的应用，没想到在阅读中发现作者以及译者通过极为精炼及通俗的语言概述了模型、神经网络及ChatGPT，其中对于模型的描述我觉得非常棒，总结一下迫不及待的分享给大家。
首先什么是模型？
我知道很多人会说那些网课里讲的回归模型、聚类模型不都是模型吗，这有什么好说的。是这样但也不完全是这样，要了解什么是模型我们需要先来思考一下为什么需要模型？
我们来举一个例子：假设你想知道从比萨斜塔各层掉落的炮弹分别需要多长时间才能落地，你可以通过在不同情况下测量并记录结果的方式来得出结论。对于只有8层的比萨斜塔这个做法是完全可行的，如果去测量高达127层的上海中心大厦呢？这种方式会变得费事又费力。计算机发展的前期主要工作就是发挥它“计算”的功能来节省人力物力，所以我们想要建立一个模型，用它所提供的某种计算答案的程序来得到我们想要的结论。
可是我们高中就学过重力的计算公式啊，干嘛那么费力的来建立模型。我们进一步思考，以计算机的角度来想我们高中所学到的计算公式是如何得到的？是数学家物理学家们通过实验，找到规律概括成一个公式供我们使用的。所以本质上来看，数学家们在几百年前做的事情就是通过原始的测量实验手段来建模。随着计算机的发展我们只是通过计算机来实现找规律这一步骤，本质上与数学家们并无不同。
接下来我们来看一个例子来理解模型：
假设有一些理想化的数据可以告诉我们炮弹从斜塔各层落地所需要的时间如下：
那如何根据已有的数据来计算一个没有明确数据的楼层落地需要多长时间呢？在我们不知道物理规律，只有数据的前提下只能通过数学猜测来尝试寻找数据的规律：
通过我们中学阶段函数的积累可以猜测：直线或许与数据的分布情况较为契合，那这种通过函数来猜测数据规律的方式就是——拟合。
那我们怎么知道尝试是用直线呢？在某种程度上说，我们并不知道。我们只是通过已有的数学知识来猜测拟合。我们可以进一步通过稍微复杂的二次函数来拟合数据：
不难发现用二次函数拟合数据的效果更加好一些，但我们能说用直线拟合就是错的吗？当然不能，在数学建模中没有对错之分，只有优劣之分。拟合效果更好显然是二次函数的优势，但计算简单也是一次函数的优势，如何选择模型看的是题目而不是你的心情。
我们积累的数学知识通常可以告诉我们数据大致符合哪种函数趋势，而每种函数都有某种特定的基本结构（如截距、斜率、周期等等），我们需要通过修正一些建立的拟合模型的“旋钮”来尽可能的让更多数据点落在模型上，这个可变的“旋钮”就是贯穿整个数学建模的概念之一——参数。
回归到我们最初的问题上：回归模型、聚类模型等等就是数学建模的中的“模型”吗？它们只是模型中的一部分，数学模型本身就是一个解决实际问题的方法，解决问题就是数学建模。所以数学思路与数学结构才是模型的本质，随随便便套了一大堆模型，用的别人的公式还不结合题意那不是模型，或者说不是符合题意的模型！！我们是要解决问题不是来炫那半斤八两的技术的！！
其次有哪些模型？
在不少的官方教材和课程中都会给模型划分类别：按照应用领域（经济模型、医学模型等等）；按照数学方法（微分方式模型、图论模型等等）。这些模型分类很多，这里不过多赘述了。
接下来分享一个我的分类思路：看得出规律的和看不出规律的。是不是略显粗暴，这里的官方名词叫解析模型与仿真模型。
分类方法我感觉无关紧要，因为在实际建模中肯定没有人考察你哪个类别下的模型有哪些，最重要的是参考他们的思路建立自己关于建模的知识框架，遇到问题可以调用到自己需要的知识，就算还没来得及学明白也可以知道从哪个方向查资料。
如何建立模型？
讲解具体建模的文章那可太多了，在这里我和大家分享几篇入门的小朋友们适合看的吧：
【从零开始数学建模（1）】 建立数学模型~导论-CSDN博客
其次我想要说的是数学建模是没有固定形式的，这些步骤并不是每一次比赛都需要的，它与实际问题的性质、建模的目的都有关系。但我们可以罗列一些共性的框架：
- 形成问题
- 假设和简化
- 模型构建
- 检验和评价
- 模型改进
- 模型求解
后记
相信大部分同学在数学建模获奖或者保研流程结束后就不会在关注这个话题了，我也一样。但在今年的机器学习、大语言模型、智能驾驶等等领域的学习中我发现，数学建模不是终点，它是一个帮助我们实现想法的手段，而那些建模的步骤往往不会出现在实际的应用中，但是会内化为我们解决问题的一种好的习惯性的思路。
所以比赛或者是奖项长期来看它们一定不是终点，那些真正学到的知识，培养的思路，建立的勇气与耐心才是这些比赛赋予每一个人的奖赏。
一些能看懂的书：
《数学建模》邬学君
一些能让你有兴趣学习数学建模的书：
《这就是ChatGPT》斯蒂芬·沃尔弗拉姆
《微积分的力量》史蒂夫·斯托加茨
《程序员的底层思维》张建飞
1345
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
