- 建模的目的：解决贴合题意的问题，用合适的方法解决问题
- 前提：理解题意，知道题目在说什么，
- 前提的前提：了解题目的背景，知道题目这类问题的常见概念，了解这方面的知识
- 如果是数据题，还要根据数据体，在这个数据题做一些延申/扩展。
- 数据决定上限，模型逼近上限
- 建模的手段：通过显式的数学表达式；隐式的模糊理论；封装的数据算法
- 结果的形式：变量的结果，检验的统计量，数据的分布，变化的趋势图等
- 所有的行为都是围绕着可解释的结果
- 对模型的剖析是可视化当中很重要的层面：
误差分布的可视化，
分类矩阵的可视化，
深度学习当中神经网络权重和注意力的可视化，
模型参数的可视化..
多用折线图、分布图、热力图等，或者画模型架构/算法思路
- 建模的流程：
- 选题
- 资料：必须做赛题的学科背景知识调查
- 整理
- 实验：必须结合数据体量选择算法，不是“越高级就越好”。必须有数据预处理
- 可视化
- 报告
必须先出个baseline，不要上来就把问题复杂化，先baseline然后再进行优化
知道可视化的目的
有易读性强的创新
能对自己可视化结果有合理解释
知道怎样的工具适合可视化
论文中图文安排
摘要 ：
- 写作内容：2/3-1页
- 写作思路：
- 总分总：
- 第一段：介绍问题背景以及为了解决什么问题写这篇论文
- 对问题1xxxx，对问题2xxx,最后我们的方法有什么样的表现，解决了什么问题，未来会取得什么更大的实际效果/实际应用意义
- 最后的总结环节，批判的点名你们的优点和工作的意义，这部分可以适当的吹吹
文献就是在问题重述中加重问题背景
分问题之间的逻辑关系：问题二是问题一的细化，问题三是问题二的扩展
明确问题类型：问题一是xxx优化问题
对大任务分解：就把解题步骤明确写出来
说明解题的每一个步骤用了什么，为什么用这个，怎么用
问题解答完毕之后必须画出来一个流程图
比方说数据预处理数据的描述性统计得到模型的建立求解模型的结果分析好几个部分
缺点：不要提特别严重的错误，避重就轻
一定要分点作答
如果还可以在缺点的后面写出未来发展方向是最好，可以用什么办法来降低缺点的影响
实在写不出，就写一些套话，比如忽略空气阻力
如果觉得某一问太难解决了，就可以针对某一问提出假设：针对问题xxx，做出xxx假设
符号约定最后再写
1.5页就要有一个图
