浅谈数学、数学建模与⼈⼯智能（机器学习，深度学习）之间的关
系？
前⾔：
前⾔：
说来也巧合，我在⼤学⾥加⼊的第⼀个社团就是数学建模，各种各样的社团对我没有完全没有吸引⼒，什么舞蹈、爱⼼、创业、英语等，加⼊数学建模的原因有⼆：⼀是可以参加⽐赛，⼆是可以认识更多的朋友，但是在加⼊的第四周我就完全失望了，完全没有达到我的预期，平时组织活动⽐较及时，但是真正给你教东西的却很少，所以从那开始我就退出了，再也没去。所以你感觉⼀个社团给你提供不了你当初加⼊的初⼼，那就赶紧离开吧，别再浪费时间了。之后⼀年⾥都是按部就班地上课，没有搭理社团，但是QQ通知还是留着，直到有⼀天⾥通知有没有⼈愿意参加数模⼤赛，虽然⾥只剩下⼗⼏个⼈，那就报名呗，反正有专门的⽼师培训，之后都会在课余去参加培训，偶尔偷懒没去，之后经过平时，暑期培训参加了⽐赛。在⽐赛的时候⼀脸懵逼，B题题⽬都搞不懂，怎么做，那就选B吧，查各种资料写论⽂，建模，到了最后提交不了？你是在逗吗，三天的⾟苦⽩费了？结果也就没有拿到好成绩，就这样⼤⼀结束了，⼤⼆同样参加了，也拿到了成绩，在其期间也参加了其他的⽐赛，⽐如美赛，亚太赛，数创杯等，就算是经历吧。
总叙：
好了，⾔归正传，参加了这么多关于数模⽐赛，到底是为什么，或者是我喜欢数学吗？不是的，我⾼数⼀般般，由于个中原因，反正没怎么听⽼师讲课，所以对于数学我平常⼼，从2016年开始，AI的兴起，让我⾮常感兴趣，就特地去了解了下所学的课程，结果是⽆论是machine larning 还是deep leraning都需要数学建模思维，也就是现在⾮常抢⼿，⼯资⾮常⾼的算法⼯程师，并且数学建模是核⼼点，没有很好地建模思维，那你的项⽬就达不到所谓的智能。
那么数学与建模有什么联系，我们知道在⼤学如果要学⾼数必须要学习微积分，定积分，线性代数，概率论等，所以这些都是建模的基础，建模没有对错，只有better，所以基础肯定要有的，其次要会查资料，⽐如各种出版论⽂，最新的建模思维，只要熟练掌握，那么你的建模思维就会很⾼级，解决实际情况的⽅法就会很⾼效。我接触⽐较少，所以建模这块还在努⼒中，菜鸟⼀只。
数学与数学建模：
举个简单的列⼦：
如：⼀个星级旅馆有150个客房，经过⼀段时间的经营实践，旅馆经理得到了⼀些数据：每间客房定价为160元时，住房率为55%，每间客房定价为140元时，住房率为65%，
每间客房定价为120元时，住房率为75%，每间客房定价为100元时，住房率为85%。欲使旅馆每天收⼊最⾼，每间客房应如何定价？
简化假设]]
[简化假设
  （1）每间客房最⾼定价为160元；
  （2）设随着房价的下降，住房率呈线性增长；
  （3）设旅馆每间客房定价相等。
建⽴模型]]
　[建⽴模型
　设y表⽰旅馆⼀天的总收⼊，与160元相⽐每间客房降低的房价为x元。由假设（2）可得，每降价1元，住房率就增加
。因此
  由
可知
　[求解模型
求解模型]]
  利⽤⼆次函数求最值可得到当x=25即住房定价为135元时，y取最⼤值13668.75（元），
讨论与验证]]
  [[讨论与验证
  （1）容易验证此收⼊在各种已知定价对应的收⼊中是最⼤的。如果为了便于管理，定价为140元也是可以的，因为此时它与最⾼收⼊只差18.75元。
  （2）如果定价为180元，住房率应为45%，相应的收⼊只有12150元，因此假设（1）是合理的。
这便是⼀个简单的数学建模，在这道题中我们需要考虑的是：
1.要做什么？
2.怎么做？
3.这样做合理吗？
4.如果这样做，假设那些可以改变？
5.这样做需要⽤到那些模型？
6.这种模型简洁吗？
7.确定了这种模型，怎么求解？
8.求解出来了，与现实合理吗？
9.在这个模型中，存在什么缺点，怎么去优化？
10.总结
差不多这⼗点是需要我们考虑的，也许要⼤量⽤到数学计算，甚⾄涉及到统计，经济学，专有软件（matlab，spass）的处理等，所以整个建模过程离不了数学知识。
数学建模与⼈⼯智能：
同样通过⼀个⼩例⼦来理解他们之间的关系：
matlab学好了有什么用题⽬：在⼀个公司中，由于某些原因，有些员⼯渐渐离⽹（从公司流失），对于此，请⽤机器学习算法预测客户流失的⼀些特点，包括年龄，    题⽬：
性别等其它因素。
决策树
在这道题中，利⽤机器学习时要⽤到⼀种建模模型：决策树
1.决策树如何构建？
2.构建决策树
3.⽣成决策树
4.利⽤ID3算法实现function
5.集成学习
6.然后利⽤PAI算法执⾏
7.分析效果
8.总结
不难发现通过这复杂的⼋步就完美提供了解决⽅案，完成项⽬需求，⽽这⼋步都需要扎实的建模思维，要不然⼏乎没办法做，所以数学建模对于⼈⼯智能算法⾮常关键。
Di-Tech算法⼤赛：
再者⽐如最新的滴滴Di-Tech算法⼤赛：
再者⽐如最新的滴滴
问题是：对⽆⼈驾驶车⽽⾔，最重要的是能够理解周围环境并做出相应决策，保证⾏车安全。参赛者需要努⼒到通过摄像头和 LIDAR 数据检测道路上的障碍物的最好⽅法。最终的系统应该能够识别⾏⼈、车辆和普通障碍物，对⼈类驾驶员和⽆⼈驾驶系统都有很⼤帮助。参赛者需要处理LIDAR、RADAR及摄像头原始数据，输出障碍物位置、移除噪⾳和环境错误检测。参赛者可以利⽤已经较为完善的 Kitti 数据集，在现有技术的基础上，加⼊⾃⼰的新⽅法和⼿段，来让算法获得更好表现。
不难发现⽆论是怎样的安全措施，数据分析，算法处理，都需要建模思维各个⽅⾯考虑，完美的建模便是最好的答案。
所以学习⼈⼯智能，数学建模是必须的，很难，但要坚持！
2017的最后⼀个⽉，⼤家努⼒！
2017-12-01

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。