数学建模学到了什么？
在之前的数字模型比赛中，即使在美国竞赛O奖的作品中，我们也可以看到一系列常用的预测方法，如灰色预测，如MATLAB实现。事实上，我们有一系列常用的预测方法，如时间序列和回归。
18年前后，预测数模问题变得更加尴尬，不是因为这些问题很简单，而是因为每个人都有一套两套现成的算法，只要你找到数据，你就可以快速运行数据来写论文。所以当时基本上很少有预测的话题再次出现。
事实上，评价模型和预测模型都是这样的，因为它们是人均的，所以我们不会看到整个大问题都是关于预测的。
在此之前，我们在全国比赛中看到了人口增长预测、长江水质预测、世博会影响预测等。当时，我们基本上使用matlab来处理和预测这些数据。
说起来，15年本科入学的时候，有一种趋势，那就是互联网+。那时候，谁有创新创业的想法，就可以参加比赛获奖。当我看到它时，我不得不做ppt路演，这使得它更加商业化。当时我没怎么注意。毕竟我只喜欢参加埋头做题的比赛。
我怯场地在舞台上说话，但我并没有改变自己。有一次，我终于鼓起勇气参加了学校的一场英语辩论赛。在预赛中，我只陈述了这一部分的观点，不必与其他学生正面对抗。因此，我很幸运地谈到了侃侃，成功地入围了半决赛。除了高兴，我还兴奋地向室友报告了好消息，然后联系了半决赛的经理，说我不去了，所以名额被推迟到了最后一个。我不知道这是否是一个美丽的谈话。
拉远了，主要是当时搞互联网+，什么都要加互联网，超市+互联网=做超市app，打车+互联网=打车软件。
现在python很受欢迎，有人工智能+的趋势。
在数模领域，除了matlab，学习python进行人工智能应用也将是一种趋势，但事实上，Matlab也可以实现一部分。
所以在预测类方面，用python的话说:
LSTM：长短期记忆网络
GRU：门控循环单元
DBN：对网络的深度信心
QNN：量子神经网络
SVR：支持向量机
XGBoost：提升极端梯度
CNN：卷积神经网络
ESN：回声状态网络
……
例如，这些方法可以应用于预测。如果你搜索这些算法，你会发现有许多核心期刊论文，并使用这些方法进行预测。至少我们现在做数字模型论文，几乎不可能向核心期刊发表预测论文。
那么，你应该选择一个关键词，找到时间搜索原理和源代码，然后学习如何应用模型吗？
