- 02数学建模基础入门讲解
- 03美赛基础入门讲解与赛前准备
- 04数学建模线性规划
- 05蒙特卡罗方法
- 06数学建模非线性规划问题
- 07数学建模差值与拟合问题
- 08数模常规算法之层次分析法应用讲解
- 09美赛尖端培训之灰色预测模型及其应用
- 10神经网络基本原理
- 11神经网络编程和案例分享
- 12神经网络基本应用领域
- 13聚类分析上1
- 13聚类分析上2
- 13聚类分析上3
- 13聚类分析上4
- 14聚类分析下1
- 14聚类分析下2
- 14聚类分析下3
- 15模智能算法之粒子群算法(上)
- 16模智能算法之粒子群算法(下)
- 17时间序列分析
- 18主成分分析
- 19支持向量机
- 20EViews入门讲解及简单示例
- 21美赛试题讲解+历年特点分析
- 22因子分析
- 23对应分析1
- 23对应分析2
- 23对应分析3
- 24典型相关分析1
- 24典型相关分析2
- 24典型相关分析3
- 25多目标规划1
- 25多目标规划2
- 25多目标规划3
- 26数字图像识别1
- 26数字图像识别2
- 27综合评价与决策方法1
- 27综合评价与决策方法2
- 27综合评价与决策方法3
- 28综合评价与决策方法4
- 28综合评价与决策方法5
- 28综合评价与决策方法6
- 29小波分析应用1
- 29小波分析应用2
- 29小波分析应用3
- 30综合预测方法1
- 30综合预测方法2
- 30综合预测方法3
- 31偏最小二乘回归分析1
- 31偏最小二乘回归分析2
- 31偏最小二乘回归分析3
- 32卷积神经网络应用1
- 32卷积神经网络应用2
- 32卷积神经网络应用3
- 33Matlab基础入门与算法进阶01
- 33Matlab基础入门与算法进阶02
- 33Matlab基础入门与算法进阶03
- 33Matlab基础入门与算法进阶04
- 33Matlab基础入门与算法进阶05
- 33Matlab基础入门与算法进阶06
- 33Matlab基础入门与算法进阶07
- 34Python基础入门与深度学习时间01
- 34Python基础入门与深度学习时间02
- 34Python基础入门与深度学习时间03
- 34Python基础入门与深度学习时间04
- 34Python基础入门与深度学习时间05
- 34Python基础入门与深度学习时间06
- 34Python基础入门与深度学习时间07
- 34Python基础入门与深度学习时间08
- 36美赛数模智能算法之模拟退火算法
数学建模是用数学的语言和工具表述、分析和求解现实世界中的实际问题,特别强调要将最终得到的解决方案回归实际问题、检验是否有效地解答了原问题,是数学联接应用领域的桥梁和道路,在数学学科中占有特殊重要的地位。
本课程以实际问题为载体,将数学建模、数学知识、数学软件和计算机应用有机地结合起来,对于培养大学生发现问题、提出问题、分析问题和应用数学知识、通过数学软件解决实际问题的能力具有重要的作用。
本课程共12讲,包括数学建模案例讲解与数学建模竞赛相关活动两部分:首先李大潜院士和陈叔平教授分别与你分享数学建模的意义、课程学习的建议和参加竞赛的指导;第2—6与8—11讲分别为入门级和提高级应用案例分析,是本课程的核心讲授内容(配有单元测验题),从实际问题出发,讲授模型构建、分析求解、问题解决验证等数学建模的全过程;数学建模竞赛相关内容依据竞赛的进程实时发布,提供最权威的赛况信息。第12讲作为课后续篇,不作为本课程的考核内容,将在本课程结课之后择机发布,内容包括赛题的权威分析点评,也分享获奖队员的参赛感悟。