关于数学建模、机器学习与深度学习的思考

2016年5月，开始接触水利行业的洪水预警工作，然后就进入了数学建模的过程，进行洪水与降雨分析，后续经过了机器学习与深度学习的跑坑，对数学工具在现实工程进行作用进行总结。
数学建模：通过数学公式为手段对现实模拟。以下进行例子说明。降雨后的洪水计算，中小流域按照水往低处流的现实划分流域，初步计算参数组装模型，然后通过三个公式进行产流、汇流、河道演算的模拟，得到洪水过程线。收费站问题，作为建模大赛的常考题型，经常出现，车辆的出现服从某种分布，车辆与车辆之间的距离，车辆是否变道，最终看收费站数量能否及时处理车辆的收费问题。元胞自动机，自行百度吧，模拟森林火灾，或者模拟气象行业的数值预报。这些不是重点，重点是数学模型建立后，如何调整模型的参数，这就需要算法了，通过一定的策略去寻找优秀参数，然后模型的输出结果就能与实际现象在误差范围内一致。比较常用的大招是启发式算法，这是一个大称呼，不是具体的解题策略，具体的解题策略是遗传算法、退火算法、人工鱼群算法、蜂群算法、蚁群算法等。采用这些算法的衡量标准是啥？或者说是为了干啥？是为了让预测与实测的距离最小。比如我预测的洪水峰值流量为120，实测流量峰值为200，那么我要通过启发式算法调整模型参数，达到模型的输出向200贴近，差值变小就是我的目标嘛！【距离测度变小】

机器学习：从2018年1月开始接触，学过这个范畴内的大多数算法，如多元线性回归，逻辑回归，SVM，决策树，随机森林，聚类。算法都在围绕准确率算损失，找到模型正确率与真实值的距离测度。比如GBDT在不断的提高错误样本的权重以达到提高准确率。

深度学习：作为准确率最高的人工智能手段，可以突破机器学习不能搞定的特征问题，极大提升准确率。有深度神经网络、卷积神经网络，循环神经网络。卷积神经网络已经被发展的精彩纷呈，vgg16、faster R CNN等网络，在图像处理方面优势明显，在烟雾检测、车牌识别等等图像算法上发挥的淋漓尽致。可是，网络最后还是得接衡量准确率的评判图层，比如人脸识别的是不是人脸，人脸关键点的横纵坐标嗯，都是衡量标准。

【是非判断之前首先要判断能否判断是非】是非标准的尺子就是模型的进化方向，也就是损失函数，输入的数据要切合尺子的衡量标准。

【损失函数才是贯彻三者的衡量标准】