數據建模需要填寫哪些信息

⑴ 數據挖掘數據建模結果應該怎麼填

數據挖掘是利用業務知識從數據中發現和解釋知識（或稱為模式）的過程，這種知識是以自然或者人工形式創造的新知識。
當前的數據挖掘形式，是在20世紀90年代實踐領域誕生的，是在集成數據挖掘演算法平台發展的支撐下適合商業分析的一種形式。也許是因為數據挖掘源於實踐而非 理論，在其過程的理解上不太引人注意。20世紀90年代晚期發展的CRISP-DM，逐漸成為數據挖掘過程的一種標准化過程，被越來越多的數據挖掘實踐者 成功運用和遵循。

雖然CRISP-DM能夠指導如何實施數據挖掘，但是它不能解釋數據挖掘是什麼或者為什麼適合這樣做。在本文中我將闡述我提出數據挖掘的九種准則或「定律」（其中大多數為實踐者所熟知）以及另外其它一些熟知的解釋。開始從理論上（不僅僅是描述上）來解釋數據挖掘過程。

我的目的不是評論CRISP-DM，但CRISP-DM的許多概念對於理解數據挖掘是至關重要的，本文也將依賴於CRISP-DM的常見術語。CRISP-DM僅僅是論述這個過程的開始。

第一，目標律：業務目標是所有數據解決方案的源頭。

它定義了數據挖掘的主題：數據挖掘關註解決業務業問題和實現業務目標。數據挖掘主要不是一種技術，而是一個過程，業務目標是它的的核心。 沒有業務目標，沒有數據挖掘（不管這種表述是否清楚）。因此這個准則也可以說成：數據挖掘是業務過程。

第二，知識律：業務知識是數據挖掘過程每一步的核心。

這里定義了數據挖掘過程的一個關鍵特徵。CRISP-DM的一種樸素的解讀是業務知識僅僅作用於數據挖掘過程開始的目標的定義與最後的結果的實施，這將錯過數據挖掘過程的一個關鍵屬性，即業務知識是每一步的核心。

為了方便理解，我使用CRISP-DM階段來說明：

· 商業理解必須基於業務知識，所以數據挖掘目標必須是業務目標的映射（這種映射也基於數據知識和數據挖掘知識）；

· 數據理解使用業務知識理解與業務問題相關的數據，以及它們是如何相關的；

· 數據預處理就是利用業務知識來塑造數據，使得業務問題可以被提出和解答（更詳盡的第三條—准備律）；

· 建模是使用數據挖掘演算法創建預測模型，同時解釋模型和業務目標的特點，也就是說理解它們之間的業務相關性；

· 評估是模型對理解業務的影響；

· 實施是將數據挖掘結果作用於業務過程；

總之，沒有業務知識，數據挖掘過程的每一步都是無效的，也沒有「純粹的技術」步驟。 業務知識指導過程產生有益的結果，並使得那些有益的結果得到認可。數據挖掘是一個反復的過程，業務知識是它的核心，驅動著結果的持續改善。

這背後的原因可以用「鴻溝的表現」（chasm of representation）來解釋（Alan Montgomery在20世紀90年代對數據挖掘提出的一個觀點）。Montgomery指出數據挖掘目標涉及到現實的業務，然而數據僅能表示現實的一 部分；數據和現實世界是有差距（或「鴻溝」）的。在數據挖掘過程中，業務知識來彌補這一差距，在數據中無論發現什麼，只有使用業務知識解釋才能顯示其重要 性，數據中的任何遺漏必須通過業務知識彌補。只有業務知識才能彌補這種缺失，這是業務知識為什麼是數據挖掘過程每一步驟的核心的原因。

第三，准備律：數據預處理比數據挖掘其他任何一個過程都重要。

這是數據挖掘著名的格言，數據挖掘項目中最費力的事是數據獲取和預處理。非正式估計，其佔用項目的時間為50%-80%。最簡單的解釋可以概括為「數據是困 難的」，經常採用自動化減輕這個「問題」的數據獲取、數據清理、數據轉換等數據預處理各部分的工作量。雖然自動化技術是有益的，支持者相信這項技術可以減 少數據預處理過程中的大量的工作量，但這也是誤解數據預處理在數據挖掘過程中是必須的原因。

數據預處理的目的是把數據挖掘問題轉化為格式化的數據，使得分析技術（如數據挖掘演算法）更容易利用它。數據任何形式的變化（包括清理、最大最小值轉換、增長 等）意味著問題空間的變化，因此這種分析必須是探索性的。 這是數據預處理重要的原因，並且在數據挖掘過程中佔有如此大的工作量，這樣數據挖掘者可以從容 地操縱問題空間，使得容易找到適合分析他們的方法。

有兩種方法「塑造」這個問題 空間。第一種方法是將數據轉化為可以分析的完全格式化的數據，比如，大多數數據挖掘演算法需要單一表格形式的數據，一個記錄就是一個樣例。數據挖掘者都知道 什麼樣的演算法需要什麼樣的數據形式，因此可以將數據轉化為一個合適的格式。第二種方法是使得數據能夠含有業務問題的更多的信息，例如，某些領域的一些數據 挖掘問題，數據挖掘者可以通過業務知識和數據知識知道這些。 通過這些領域的知識，數據挖掘者通過操縱問題空間可能更容易找到一個合適的技術解決方案。

因此，通過業務知識、數據知識、數據挖掘知識從根本上使得數據預處理更加得心應手。 數據預處理的這些方面並不能通過簡單的自動化實現。

這個定律也解釋了一個有疑義的現象，也就是雖然經過數據獲取、清理、融合等方式創建一個數據倉庫，但是數據預處理仍然是必不可少的，仍然佔有數據挖掘過程一 半以上的工作量。此外，就像CRISP-DM展示的那樣，即使經過了主要的數據預處理階段，在創建一個有用的模型的反復過程中，進一步的數據預處理的必要 的。

第四，試驗律（NFL律：No Free Lunch）：對於數據挖掘者來說，天下沒有免費的午餐，一個正確的模型只有通過試驗（experiment）才能被發現。

機器學習有一個原則：如果我們充分了解一個問題空間（problem space），我們可以選擇或設計一個找到最優方案的最有效的演算法。一個卓越演算法的參數依賴於數據挖掘問題空間一組特定的屬性集，這些屬性可以通過分析發 現或者演算法創建。但是，這種觀點來自於一個錯誤的思想，在數據挖掘過程中數據挖掘者將問題公式化，然後利用演算法找到解決方法。事實上，數據挖掘者將問題公 式化和尋找解決方法是同時進行的-----演算法僅僅是幫助數據挖掘者的一個工具。

有五種因素說明試驗對於尋找數據挖掘解決方案是必要的：

· 數據挖掘項目的業務目標定義了興趣范圍（定義域），數據挖掘目標反映了這一點；

· 與業務目標相關的數據及其相應的數據挖掘目標是在這個定義域上的數據挖掘過程產生的；

· 這些過程受規則限制，而這些過程產生的數據反映了這些規則；

· 在這些過程中，數據挖掘的目的是通過模式發現技術（數據挖掘演算法）和可以解釋這個演算法結果的業務知識相結合的方法來揭示這個定義域上的規則；

· 數據挖掘需要在這個域上生成相關數據，這些數據含有的模式不可避免地受到這些規則的限制。

在這里強調一下最後一點，在數據挖掘中改變業務目標，CRISP-DM有所暗示，但經常不易被覺察到。廣為所知的CRISP-DM過程不是下一個步驟僅接著上一個步驟的「瀑布」式的過程。事實上，在項目中的任何地方都可以進行任何CRISP-DM步驟，同樣商業理解也可以存在於任何一個步驟。業務目標不是簡 單地在開始就給定，它貫穿於整個過程。這也許可以解釋一些數據挖掘者在沒有清晰的業務目標的情況下開始項目，他們知道業務目標也是數據挖掘的一個結果，不是靜態地給定。

Wolpert的「沒有免費的午餐」理論已經應用於機器學習領域，無偏的狀態好於（如一個具體的演算法）任何其他可能的問題（數據集）出現的平均狀態。這是因為，如果我們考慮所有可能的問題，他們的解決方法是均勻分布的，以至於一個演算法（或偏倚）對一個子集是有利的，而對另一個子集是不利的。這與數據挖掘者所知的具有驚人的相似性，沒有一個演算法適合每一個問題。但是經 過數據挖掘處理的問題或數據集絕不是隨機的，也不是所有可能問題的均勻分布，他們代表的是一個有偏差的樣本，那麼為什麼要應用NFL的結論？答案涉及到上 面提到的因素：問題空間初始是未知的，多重問題空間可能和每一個數據挖掘目標相關，問題空間可能被數據預處理所操縱，模型不能通過技術手段評估，業務問題本身可能會變化。由於這些原因，數據挖掘問題空間在數據挖掘過程中展開，並且在這個過程中是不斷變化的，以至於在有條件的約束下，用演算法模擬一個隨機選擇的數據集是有效的。對於數據挖掘者來說：沒有免費的午餐。

這大體上描述了數據 挖掘過程。但是，在有條件限制某些情況下，比如業務目標是穩定的，數據和其預處理是穩定的，一個可接受的演算法或演算法組合可以解決這個問題。在這些情況下， 一般的數據挖掘過程中的步驟將會減少。 但是，如果這種情況穩定是持續的，數據挖掘者的午餐是免費的，或者至少相對便宜的。像這樣的穩定性是臨時的，因為 對數據的業務理解（第二律）和對問題的理解（第九律）都會變化的。

第五，模式律（大衛律）：數據中總含有模式。

這條規律最早由David Watkins提出。 我們可能預料到一些數據挖掘項目會失敗，因為解決業務問題的模式並不存在於數據中，但是這與數據挖掘者的實踐經驗並不相關。

前文的闡述已經提到，這是因為：在一個與業務相關的數據集中總會發現一些有趣的東西，以至於即使一些期望的模式不能被發現，但其他的一些有用的東西可能會被 發現（這與數據挖掘者的實踐經驗是相關的）；除非業務專家期望的模式存在，否則數據挖掘項目不會進行，這不應感到奇怪，因為業務專家通常是對的。

然而，Watkins提出一個更簡單更直接的觀點：「數據中總含有模式。」這與數據挖掘者的經驗比前面的闡述更一致。這個觀點後來經過Watkins修正，基於客戶關系的數據挖掘項目，總是存在著這樣的模式即客戶未來的行為總是和先前的行為相關，顯然這些模式是有利可圖的（Watkins的客戶關系管理定律）。但是，數據挖掘者的經驗不僅僅局限於客戶關系管理問題，任何數據挖掘問題都會存在模式（Watkins的通用律）。

Watkins的通用律解釋如下：

數據挖掘項目的業務目標定義了興趣范圍（定義域），數據挖掘目標反映了這一點；
與業務目標相關的數據及其相應的數據挖掘目標是在這個定義域上的數據挖掘過程產生的；
這些過程受規則限制，而這些過程產生的數據反映了這些規則；
在這些過程中，數據挖掘的目的是通過模式發現技術（數據挖掘演算法）和可以解釋這個演算法結果的業務知識相結合的方法來揭示這個定義域上的規則；
數據挖掘需要在這個域上生成相關數據，這些數據含有的模式不可避免地受到這些規則的限制。
總結這一觀點：數據中總存在模式，因為在這過程中不可避免產生數據這樣的副產品。為了發掘模式，過程從（你已經知道它）-----業務知識開始。

利用業務知識發現模式也是一個反復的過程；這些模式也對業務知識有貢獻，同時業務知識是解釋模式的主要因素。在這種反復的過程中，數據挖掘演算法簡單地連接了業務知識和隱藏的模式。

如果這個解釋是正確的，那麼大衛律是完全通用的。除非沒有相關的數據的保證，否則在每個定義域的每一個數據挖掘問題總是存在模式的。

第六，洞察律：數據挖掘增大對業務的認知。

數 據挖掘是如何產生洞察力的？這個定律接近了數據挖掘的核心：為什麼數據挖掘必須是一個業務過程而不是一個技術過程。業務問題是由人而非演算法解決的。數據挖 掘者和業務專家從問題中找到解決方案，即從問題的定義域上達到業務目標需要的模式。數據挖掘完全或部分有助於這個認知過程。數據挖掘演算法揭示的模式通常不 是人類以正常的方式所能認識到的。綜合這些演算法和人類正常的感知的數據挖掘過程在本質上是敏捷的。在數據挖掘過程中，問題解決者解釋數據挖掘演算法產生的結 果，並統一到業務理解上，因此這是一個業務過程。

這類似於「智能放大器」的概念，在早期的人工智慧的領域，AI的第一個實際成果不是智能機器，而是被稱為「智能放大器」的工具，它能夠協助人類使用者提高獲取有效信息的能力。數據挖掘提供一個類似的「智能放大器」，幫助

⑵ 如何使用PowerDesign進行資料庫建模操作方法都有什麼呢

如何使用PowerDesign進行資料庫建模？操作方法都有什麼呢？

操作方法

01首先打開PowerDesign軟體，點擊頂部的文件菜單，從下拉菜單中選擇新建選項

02接下來，在彈出的新界面中選擇概念數據模型選項，然後給模型命名

07然後雙擊關系線，在關系界面設置實體間的關系類型，包括一對多、一對一、多對多

08接下來，我們單擊頂部的Tools菜單，並在下拉菜單中選擇Generate Physical Data Model選項

09最後在彈出的界面中選擇要建模的資料庫版本，即可生成建模語言

⑶ 【總結】維度數據建模過程及舉例

本文介紹數據倉庫中維度數據建模的過程描述，並舉一個示例以加深對相關概念的理解。

維度模型是數據倉庫領域大師Ralph Kimall所倡導，他的《數據倉庫工具箱》，是數據倉庫工程領域最流行的數倉建模經典。維度建模以分析決策的需求出發構建模型，構建的數據模型為分析需求服務，因此它重點解決用戶如何更快速完成分析需求，同時還有較好的大規模復雜查詢的響應性能。

1、通過對業務需求以及可用數據源的綜合考慮，確定對哪種業務過程開展建模工作

2、建立的第一個維度模型應該是一個最有影響的模型——它應該對最緊迫的業務問題作出回答，並且對數據的抽取來說是最容易的。

註：粒度是指數據倉庫的數據單位中保存數據的細化或綜合程度的級別，細化程度越高，粒度就越小

1、應該先優先考慮為業務處理獲取最有原子性的信息而開發維度模型。原子型數據是所收集的最詳細的信息，這樣的數據不能再做更進一步的細分。

2、數據倉庫幾乎總是要求在每個維度可能得到的最低粒度上對數據進行表示的原因，並不是因為查詢想看到每個低層次的行，而是因為查詢希望以很精確的方式對細節知識進行抽取。

一個經過仔細考慮的粒度定義確定了事實表的基本維度特性。同時，經常也可能向事實表的基本粒度加入更多的維度，而這些附加的維度會在基本維度的每個組合值方面自然地取得唯一的值。如果附加的維度因為導致生成另外的事實行而違背了這個基本的粒度定義，那麼必須對粒度定義進行修改以適應這個維度的情景。

確定將哪些事實放到事實表中。粒度聲明有助於穩定相關的考慮。事實必須與粒度吻合。在考慮可能存在的事實時，可能會發現仍然需要調整早期的粒度聲明和維度選擇

維度建模中有一些比較重要的概念，理解了這些概念，基本也就理解了什麼是維度建模。

額，看了這一句，其實是不太容易理解到底什麼是事實表的。

比如一次購買行為我們就可以理解為是一個事實，下面我們上示例。

圖中的訂單表就是一個事實表，你可以理解他就是在現實中發生的一次操作型事件，我們每完成一個訂單，就會在訂單中增加一條記錄。

我們可以回過頭再看一下事實表的特徵，在維度表裡沒有存放實際的內容，他是一堆主鍵的集合，這些ID分別能對應到維度表中的一條記錄。

我們的圖中的用戶表、商家表、時間表這些都屬於維度表，這些表都有一個唯一的主鍵，然後在表中存放了詳細的數據信息。

下面我們將以電商為例，詳細講一下維度建模的建模方式，並舉例如果使用這個模型（這點還是很重要的）。

假設我們在一家電商網站工作，比如某寶、某東。我們需要對這里業務進行建模。下面我們分析幾點業務場景：

好，基於這幾點，我們來設計我們的模型。

下面就是我們設計出來的數據模型，和之前的基本一樣，只不過是換成了英文，主要是為了後面寫sql的時候來用。

我就不再解釋每個表的作用了，現在只說一下為什麼要這樣設計。

首先，我們想一下，如果我們不這樣設計的話，我們一般會怎麼做？

如果是我，我會設計下面這張表。你信不信，我能列出來50個欄位！其實我個人認為怎麼設計這種表都有其合理性，我們不論對錯，單說一下兩者的優缺點。

先說我們的維度模型：

再說我們這張大款表的優缺點：

數據模型的建立必須要為更好的應用來服務，下面我先舉一個例子，來切實地感受一下來怎麼用我們的模型。

需求 ：求出2016年在帝都的男性用戶購買的LV品牌商品的總價格。

實現 ：

維度建模是一種十分優秀的建模方式，他有很多的優點，但是我們在實際工作中也很難完全按照它的方式來實現，都會有所取捨，比如說為了業務我們還是會需要一些寬表，有時候還會有很多的數據冗餘。

⑷ 四種主要的數據模型是什麼完整地描述一個數據模型需要哪三個方面的內容

數據模型是資料庫系統中用於提供信息表示和操作手段的形式構架，是現實世界的模擬和抽象。
數據模型的作用：模擬現實世界；使人容易理解；便於在計算機上實現。
數據模型三要素：數據結構、數據操作、數據的約束條件。

⑸ 數據建模—流程

open(), pd.read_csv(), datasets.load_iris()

df.head(), df.tail(), df.columns, df.info(), df.shape(), df.columns.tolist()

df1['label'] = 1, df2['label'] = 0

df['feature'].drop_plicates().count()/df.shape(0)

define function

註：如果缺失值較多(可能70%以上都是缺失的)，則可考慮去除特徵(前提是通過計算特徵重要性後發現這個特徵不重要)或者追究數據源

import seaborn as sns

sns.boxplot(df[['feature']])

針對數值較大的樣本，可進行相關函數轉換，比如：log

sns.distplot(df[['feature']])

df.describe()

sns.heatmap()

sns.pairplot()

from sklearn.preprocessing import OneHotEncoder

one_hot_encoder = OneHotEncoder(sparse=False, categories = 'auto')

one_hot_feas = pd.DataFrame(one_hot_encoder.fit_transform(data))

注意：需要在切分數據之後

from sklearn.model_selection import train_test_split

x_train, x_test, y_train, y_test = train_test_split(df, label, test_size=0.3, random_state=number)

sklearn.svm.SVC #需要加上核函數kernel='linear'/('poly', degree=3)

sklearn.LogisticRegression

sklearn.neighbors.KNeighborsClassifier

sklearn.Linear_model.LinearRegression

sklearn.cluster.KMeans(n_clusters=3)

sklearn.decomposition.PCA()

混淆矩陣

metrics.accuracy_score()

precision_score()

recall_score()

f1_score()

⑹ 大數據建模一般有哪些步驟

1、數據測量

數據測量包括ECU內部數據獲取，車內匯流排數據獲取以及模擬量數據獲取，特別是對於新能源汽車電機、逆變器和整流器等設備頻率高達100KHz的信號測量，ETAS提供完整的解決方案。

2、大數據管理與分析

目前的汽車嵌入式控制系統開發環境下，人們可以通過各種各樣不同的途徑(如真實物體、模擬環境、模擬計算等)獲取描述目標系統行為和表現的海量數據。

正如前文所述，ETAS數據測量環節獲取了大量的ECU內部以及模擬量數據，如何存儲並有效地利用這些數據，並從中發掘出目標系統的潛力，用以指引進一步的研發過程，成為極其重要的課題。

3、虛擬車輛模型建模與校準

基於大數據管理與分析環節對測量數據進行的分析，我們得到了一些參數之間的相互影響關系，以及相關物理變數的特性曲線。如何將這些隱含在大量數據中的寶貴的知識和數據保存下來並為我們後續的系統模擬分析所用呢?

模型是一個比較好的保存方式，我們可以通過建立虛擬車輛及虛擬ECU模型庫，為後續車輛及ECU的開發驗證提供標准化的模擬模型。ETAS除提供相關車輛子系統模型，還提供基於數據的建模和參數校準等完整解決方案。

4、測試與驗證(XiL)

在測試與驗證環節，通常包含模型在環驗證(MiL)，軟體在環驗證(SiL)，虛擬測試系統驗證(VTS)以及硬體在環驗證(HiL)四個階段，ETAS提供COSYM實現在同一軟體平台上開展四個環節模擬驗證工作。

關於大數據建模一般有哪些步驟，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。

⑺ 怎麼使用MySQL Workbench做數據建模

方法/步驟
打開MySQL Workbench，並連接資料庫。圖中顯示連接資料庫對話框

成功連接後，點擊如圖所示紅色按鈕，「create new Schema」，填寫資料庫名稱如「new_schema」,點擊「應用」，如圖

在彈出的的確認對話框中點擊「應用」，如圖

OK，成功創建，如圖

如圖操作，我們開始創建表

需要填寫表名（new_table），列名」id、date「和選擇列的類型，以及列屬性（主鍵），點擊」應用「

7
如圖所示，成功創建表，點擊右鍵，選擇「select rows」可以編輯表內容

⑻ 建模需要什麼數據

井名、層名、頂深、底深 分層數據
2.
井點斷點解釋數據 這幾項屬於井點信息,並要 明確是陸地上的井,還是海 上的井,涉及到補心問題。 數據的文件格式都為 txt。 深度建議為 MD 或 TVD 測井曲線 Las、ASCII

⑼ 數學建模的論文附錄中應該包括哪些內容呢

詳細的結果，詳細的數據表格。
主要結果數據，應在正文中列出，不要重復。

檢查答卷的主要三點，把三關：

1、模型的正確性、合理性、創新性

2、結果的正確性、合理性

3、文字表述清晰，分析精闢，摘要精彩

(9)數據建模需要填寫哪些信息擴展閱讀

全國大學生數學建模競賽論文格式規范

1、本科組參賽隊從A、B題中任選一題，專科組參賽隊從C、D題中任選一題。

2、論文用白色A4紙單面列印；上下左右各留出至少2.5厘米的頁邊距；從左側裝訂。

3、論文第一頁為承諾書，具體內容和格式見本規范第二頁。

4、論文第二頁為編號專用頁，用於賽區和全國評閱前後對論文進行編號，具體內容和格式見本規范第三頁。

5、論文題目和摘要寫在論文第三頁上，從第四頁開始是論文正文。

6、論文從第三頁開始寫頁碼，頁碼必須位於每頁頁腳中部，用阿拉伯數字從「1」開始連續編號。

7、論文不能有頁眉，論文中不能有任何可能顯示答題人身份的標志。

8、論文題目用三號黑體字、一級標題用四號黑體字，並居中；二級、三級標題用小四號黑體字，左端對齊（不居中）。論文中其他漢字一律採用小四號宋體字，行距用單倍行距，列印時應盡量避免彩色列印。

9、提請大家注意：摘要應該是一份簡明扼要的詳細摘要（包括關鍵詞），在整篇論文評閱中佔有重要權重，請認真書寫（注意篇幅不能超過一頁，且無需譯成英文）。全國評閱時將首先根據摘要和論文整體結構及概貌對論文優劣進行初步篩選。

⑽ 數據建模需要哪些知識

你看謝金星編寫的那本數學建模書。一本書啃下來，你已經掌握了各種題型的基本方法。做題的時候，題目先是要細細的看，然後，有時候會發現如果所有條件都用上，可能根本就做不出什麼來了。所以，你要學會提煉條件。再一個就是通過網上各種資料的搜集，要從別人的文獻中找到有用的建模方法，要想成績特別好的話，就必須有自己的想法。對於美國建模，和國內還是相差挺大的，難度、要求都不一樣。必須至少有一人掌握matlab編程。論文一定要寫好，語句通順無錯別字。
參加數學建模競賽是不是需要學習很多知識？

沒有必要很系統的學很多數學知識，這是時間和精力不允許的。很多優秀的論文，其高明之處並不是用了多少數學知識，而是思維比較全面、貼合實際、能解決問題或是有所創新。有時候，在論文中可能碰見一些沒有學過的知識，怎麼辦？現學現用，在優秀論文中用過的數學知識就是最有可能在數學建模競賽中用到的，你當然有必要去翻一翻。
具體說來，大概有以下這三個方面：
第一方面：數學知識的應用能力
歸結起來大體上有以下幾類：
1）概率與數理統計
2）統籌與線軸規劃
3）微分方程；
還有與計算機知識交叉的知識：計算機模擬。
上述的內容有些同學完全沒有學過，也有些同學只學過一點概率與數理統計，微分方程的知識怎麼辦呢？一個詞「自學」，我曾聽到過數模評卷的負責教師范毅說過「能用最簡單淺易的數學方法解決了別人用高深理論才能解決的答卷是更優秀的答卷」。
第二方面：計算機的運用能力
一般來說凡參加過數模競賽的同學都能熟練地應用字處理「Word」，掌握電子表格「Excel」的使用；「Mathematica」的使用，最好還具備語言能力。這些知識大部分都是學生自己利用課余時間學習的。
第三方面：論文的寫作能力
前面已經說過考卷的全文是論文式的，文章的書寫有比較嚴格的格式。要清楚地表達自己的想法並不容易，有時一個問題沒說清楚就又說另一個問題了。評卷的教師們有一個共識，一篇文章用10來分鍾閱讀仍然沒有引起興趣的話，這一遍文章就很有可能被打入冷宮了。
最後，祝你取得好成績。