2016年5月，開始接觸水利行業的洪水預警工作，然后就進入了數學建模的過程，進行洪水與降雨分析，后續經過了機器學習與深度學習的跑坑，對數學工具在現實工程進行作用進行總結。
數學建模：通過數學公式為手段對現實模擬。以下進行例子說明。降雨后的洪水計算，中小流域按照水往低處流的現實划分流域，初步計算參數組裝模型，然后通過三個公式進行產流、匯流、河道演算的模擬，得到洪水過程線。收費站問題，作為建模大賽的常考題型，經常出現，車輛的出現服從某種分布，車輛與車輛之間的距離，車輛是否變道，最終看收費站數量能否及時處理車輛的收費問題。元胞自動機，自行百度吧，模擬森林火災，或者模擬氣象行業的數值預報。這些不是重點，重點是數學模型建立后，如何調整模型的參數，這就需要算法了，通過一定的策略去尋找優秀參數，然后模型的輸出結果就能與實際現象在誤差范圍內一致。比較常用的大招是啟發式算法，這是一個大稱呼，不是具體的解題策略，具體的解題策略是遺傳算法、退火算法、人工魚群算法、蜂群算法、蟻群算法等。采用這些算法的衡量標准是啥？或者說是為了干啥？是為了讓預測與實測的距離最小。比如我預測的洪水峰值流量為120，實測流量峰值為200，那么我要通過啟發式算法調整模型參數，達到模型的輸出向200貼近，差值變小就是我的目標嘛！【距離測度變小】
機器學習：從2018年1月開始接觸，學過這個范疇內的大多數算法，如多元線性回歸，邏輯回歸，SVM，決策樹，隨機森林，聚類。算法都在圍繞准確率算損失，找到模型正確率與真實值的距離測度。比如GBDT在不斷的提高錯誤樣本的權重以達到提高准確率。
深度學習：作為准確率最高的人工智能手段，可以突破機器學習不能搞定的特征問題，極大提升准確率。有深度神經網絡、卷積神經網絡，循環神經網絡。卷積神經網絡已經被發展的精彩紛呈，vgg16、faster R CNN等網絡，在圖像處理方面優勢明顯，在煙霧檢測、車牌識別等等圖像算法上發揮的淋漓盡致。可是，網絡最后還是得接衡量准確率的評判圖層，比如人臉識別的是不是人臉，人臉關鍵點的橫縱坐標嗯，都是衡量標准。
【是非判斷之前首先要判斷能否判斷是非】是非標准的尺子就是模型的進化方向，也就是損失函數，輸入的數據要切合尺子的衡量標准。
【損失函數才是貫徹三者的衡量標准】