应用数学数港数学建模实习报告

应用数学数港数学建模实习报告一、摘要2023年7月1日至2023年8月31日，我在数港数学建模实习岗位工作。核心工作成果包括完成3个数据建模项目，其中1个项目精度提升至92.3%，另2个项目误差率降低至5.1%。应用Python进行数据处理和可视化，使用MATLAB构建仿真模型，通过R语言实现统计分析。在项目中运用多元线性回归优化算法，结合梯度下降法调整参数，使预测准确率提高8.6%。提炼出可复用的数据清洗流程：标准化异常值处理、特征工程降维、交叉验证模型评估。专业技能在解决实际业务问题时得到验证，如用隐马尔可夫模型预测用户行为，准确率达89.4%。二、实习内容及过程1实习目的想去实际场景里试试手，看看应用数学的理论能不能帮上忙，顺便了解下行业里数据建模是咋回事。想学点真本事，不是光看书。2实习单位简介那是个搞数据分析的，帮企业做用户行为分析和业务预测，团队不大但挺拼，天天对着海量数据。3实习内容与过程刚开始跟着师傅熟悉业务，他们那用Python做数据清洗，我看他们用pandas处理缺失值挺溜，就花两天时间把文档啃了，后来自己处理数据时速度明显快了。第一个项目是做用户流失预测，我负责构建模型，用逻辑回归和决策树试了几个版本，调参数调到头秃，最后把AUC提升到0.85，比之前版本强点。后来接了个电商场景的推荐系统优化，数据量有3亿多，电脑差点卡死，我学用了Spark分块处理，把运行时间从8小时砍到3小时。4实习成果与收获完成了3个项目，有个用LSTM预测销售额的，按月预测准确率到0.78，虽然不算顶高，但对比基线模型还是进步了。最值的是学会了怎么把理论套到实际，比如他们用GBDT处理高维稀疏数据，我以前只知理论，现在亲眼看到特征交叉带来的效果。遇到的困难是初期对业务逻辑不熟，模型效果不好，后来天天跟着业务同事跑需求会，慢慢明白为啥有些指标要重点看。5问题与建议那地方人手有点紧，我有时候等资源得等半天。他们培训体系不太完善，新人得自己找资料学不少东西。建议他们搞点系统的模型库分享，别啥都从零开始搭。另外我觉得岗位匹配度可以再精准点，比如我来了之后做的好像比纯算法岗多，但收获也更大。三、总结与体会1实习价值闭环这8周像把书上的概率论、最优化理论给实体化了。7月15号做的那个用户分群项目，用KMeans聚类后，我发现不同群体的转化率差异能到30%以上，这比单纯看平均数有啥用强多了。原来模型不只在纸上画图，能直接帮业务做决策。最爽的是看到自己调的参数能让预测误差从8%降到6%，虽然不算惊天动地，但那种把理论转化为生产力的小确幸，比啥都实在。2职业规划联结实习前想当算法工程师，现在有点动摇了。他们那做业务建模的，需要懂点统计学也得懂点市场，感觉比单纯敲代码更有意思。下学期打算补补逻辑学和行为经济学，看看能不能把模型做得更贴合人脑决策模式。之前觉得数学就是冷冰冰的公式，现在发现它比我想象的更接地气。3行业趋势展望感觉现在数据建模比以前更重业务理解了。他们用到的因果推断、强化学习，都是前沿方向。8月25号那个推荐系统项目让我意识到，未来模型可能得兼顾解释性和准确性，单纯追求AUC可能要吃亏。下回如果再接触这类项目，我想试试把LIME跟GBDT结合，看看能不能给业务方解释为啥推荐这个商品。4心态转变刚来时觉得写个Python脚本很了不起，现在明白算力才是真大哥。有个bug追了我两周，原来是个小数精度问题，差点没把我逼疯。现在知道做模型得像造火箭，一个地方不行整个都炸。虽然累，但那种把复杂问题拆解成小模块再搞定，挺带劲的。5未来行动他们用的那个自研特征工程工具我还没摸透，下个月打算去github找开源的学学。之前光顾着用现成库，这次意识到从零实现算法能理解得更深。9月要考个CFA一级，虽然跟建模不直接沾，但想学学怎么用金融思维看数据。8周实习让我明白，学数学不光是考试，是得学会怎么用这些玩意儿挣钱。四、致谢1实习单位8周的时光里，那些数据跑出来的夜晚，多亏了这里能让我折腾。2导师要感谢那位师兄，模型跑不通时，不是直接甩锅，是带我一点点找bug，比如那个GBDT超参调的，试了十几种组合都没感觉，他让我先画学习曲线，这才明白问题出在树深度上。3同事跟着几个业务分析师跑需求，才知道用户画像不光是画个热力图，他们说的“沉默用户”其实分好几种，得用决策树细分。还有那位搞大数处理的，教我Spark怎么用，不然那3亿订单数据真要把我电脑烧了。4学校指导