学习数据结构和算法有什么用？

比如，八皇后问题(即在8*8的国际棋盘上放8个皇后，要求互不能吃到），如果不会数据结构和算法，那就只能用穷举了（严格说，穷举也是一种算法……），效率极低，如果会数据结构和算法，就可以轻松的用深搜或者宽搜来解决。

再比如，最短路径问题，也是如此。

数学建模预测数据应该如何选择算法？

做数据挖掘的时候，建模是一项重要的步骤，直接关系到项目结果是否符合需求，关于模型的选择，以个人经验来说，主要从两个方面

从业务需求着手我们建模做项目的都是为业务服务的，一般最开始都是项目需求分析，这个过程应该会有大量业务和运营人员参与。项目需求首先要搞清楚，比如，做业务预测，做任务画像，做目标客户群划分等等，可能会用到分类算法，预测算法，还是聚类算法，做完需求分析相信你至少在心中会有几个算法模型供选择。

从数据集结构判断做完需求，再看数据集，首先需要进行数据探索，比如，数据的分部情况，均值，方差，可以通过画图来看，比如散点图，箱形图等，还要看数据是连续性的还是离散型的等等。如果是文本，需要提取特征，筛选特征，在文本分析中用贝叶斯算法做常见也最合适，对于数据，如果是连续型数据夹杂着离散型数据，结合需求，如果是分类，就可以使用逻辑回归算法或者支持向量机，如果大部分都是离散型数据，夹杂着连续性数据，可以考虑使用决策树，也可以使用K近邻算法，，如果是无标签的连续型数据，可以考虑使用聚类算法，当然，都还需要进行数据表换，比如，使用距离分类的算法要数据标准化。

算法没有通用的，只有最优的选择，有时候我们需要使用多个算法，再从中选取准确性，精准率，召回率最佳的算法，推荐使用Python中sklearn算法库，里面有各种算法，还有用来优化模型的参数优化器，会根据设定自动从中选择最优的算法和参数。

在之前的数模竞赛中，即便是美赛O奖的作品中，我们都能看到诸如灰色预测这样的用MATLAB实现的方法，实际上我们有时间序列，回归等一系列比较常用的预测方法。

在18年前后，预测类数模问题变得较为尴尬，不是因为这些题目简单，是因为大家都有了一套两套现成的算法，拿题后只要找到数据就能很快跑程序出数据出图写论文。所以那个时候基本上很少有预测的题目再出现了。

实际上，评价类模型和预测类模型都是这样，因为人均都会，所以导致我们不会见到一整个大题全是讲预测的。

在这之前，我们在国赛见过人口增加预测，长江水质预测，世博会影响预测等等，那个时候基本上都是用matlab去实现这些数据的处理和预测。

说起来，在15年我本科入学的时候有个风潮，就是互联网+，那个时候就是谁有着一个什么创新创业的点子，就可以去参加比赛拿拿奖。我一看这还要做ppt路演，搞得比较商业，当时就没怎么关注，毕竟我只喜欢参加埋头做题的比赛。

上台说话这种我比较怯场，不过我也不是没有改变自己，有一次我最终鼓起勇气去参加了学校一个英语辩论赛，初赛只有抽题观点陈述这一部分，不用和别的同学正面对抗，所以我侥幸侃侃而谈，成功入围复赛，高兴之余，也激动地和室友报喜，随后联系复赛管理人员说我不去了，名额因此也顺延给了后一名，不知道算不算得上一桩美谈。

扯远了，主要是那个时候搞互联网+，什么东西都要加互联网，超市+互联网=做个订超市app，打车+互联网=打车软件。

现在python很火，颇有一番人工智能+的趋势。

在数模领域，除了matlab，学会python搞人工智能应用也将是一个趋势，不过吧，实际上MATLAB也能实现一部分。

那么在预测类这方面，用python的话：

LSTM：长短期记忆网络

GRU：门控循环单元

DBN：深度置信网络

QNN：量子神经网络

SVR：支持向量机

XGBoost：极端梯度提升

CNN：卷积神经网络

ESN：回声状态网络

……

举例的这些方法都可以被应用到预测中，如果你搜索这些算法，你会发现有不少核心期刊论文，通篇运用这些方法来做预测。至少我们现在做数模论文，是几乎无法发表那些预测类论文至核心期刊的。

那么，你是不是应该选一个关键词，找个时间搜索原理和源代码，然后学会如何应用模型呢？