选择你的学习路径
无论你是备战数模竞赛的学生，还是想用建模思维提升决策质量的职场人，都能找到适合你的学习方案
竞赛建模路径
HiMCM / IMMC / 国赛 / 美赛
决策思维路径
职场决策 / 商业分析
AI协作路径
DeepSeek / ChatGPT / Claude
数学基础路径
微积分 / 线性代数 / 概率统计
竞赛建模系统训练
从读题到交卷的完整竞赛方法论
这套路径专为数学建模竞赛设计，覆盖 HiMCM、IMMC、国赛、美赛等主流赛事。基于王海华老师指导多支O奖队伍的经验， 将竞赛流程拆解为6个可执行阶段，配合AI建模搭档的实时指导，让你的备赛效率提升3倍。
📚 核心模块
竞赛入门与选题策略
了解各类竞赛特点，掌握选题的"三看原则"，避开常见陷阱
FRAME 问题分析框架
用系统方法拆解题目，确保不偏离核心问题，建立清晰的建模目标
模型选型与建立
预测、优化、分类、评价四类模型的选择依据和建立方法
SOLVER 求解框架
从模型到代码的完整实现流程，包含验证与敏感性分析
学术写作与报告
符合竞赛评分标准的论文结构、图表规范和摘要写法
答辩准备与模拟
评委常见问题预判、PPT制作技巧和现场应对策略
📅 建议学习周期
第1-2周：基础入门
了解竞赛规则，学习FRAME框架，完成2-3道经典题目的问题分析练习
第3-4周：模型学习
掌握常用模型的原理和适用场景，使用AI搭档进行模型选型训练
第5-6周：实战演练
完成1-2套历年真题的完整建模流程，从读题到提交报告
第7-8周：冲刺提升
针对薄弱环节强化训练，模拟真实竞赛时间完成模拟赛
🏅 往届学员成绩
职场决策建模思维
用模型的眼光做更好的决策
源自《模型，就是数学化的思维》，这套路径将数学建模的思维方式迁移到日常工作中。 无论你是产品经理、数据分析师、管理者还是创业者，都能学会用量化眼光看问题， 把模糊直觉变成可以讨论、可以验证的清晰判断。
📚 核心模块
为什么直觉需要模型约束
认知偏差案例分析，理解决策中的常见陷阱和模型的纠正作用
用数学眼光重新定义问题
学习将模糊的业务问题转化为可量化的数学问题的方法
估算与量化：从数量级开始
费米估算方法，快速估算的技巧，数量级判断的重要性
简单模型解决复杂决策
80/20原则在模型中的应用，如何用最小可行模型快速验证假设
数据到结论的推理链
建立从数据收集、分析到决策的完整逻辑链条，避免因果谬误
AI辅助决策分析实战
结合DeepSeek等AI工具，提升决策效率和质量的具体方法
📅 建议学习周期
第1周：思维转变
理解模型思维的核心概念，识别自己决策中的认知偏差
第2-3周：方法学习
掌握问题定义、估算量化的具体方法，完成5个练习案例
第4-5周：实战应用
选择一个工作中的真实决策问题，用建模思维完整分析
第6周及以后：持续精进
将模型思维融入日常工作，定期复盘决策质量
💼 适用场景
AI辅助建模协作训练
掌握与AI高效协作的建模方法论
源自《巧用ChatGPT进行数学建模》和《巧用DeepSeek进行数学建模》，这套路径教你如何将DeepSeek、ChatGPT、Claude等AI工具 融入建模全流程。不是让AI代替你思考，而是学会与AI协作，让建模效率提升5-10倍，同时保持你的核心创造力。
📚 核心模块
AI工具选型与能力边界
DeepSeek、ChatGPT、Claude的能力对比，了解各工具的优势场景和局限性
提示词工程基础
学习结构化提示词写法，掌握角色设定、上下文提供、输出格式控制等核心技巧
问题分析与AI协作
如何用AI辅助问题拆解，从模糊题目到清晰建模目标的协作流程
模型选型与代码生成
用AI推荐合适模型，生成可运行的代码框架，快速验证想法
结果验证与错误排查
教会AI理解你的模型，协助验证结果合理性，排查代码错误
论文写作与AI润色
用AI辅助学术写作，从摘要到结论的完整协作流程，保持学术规范
多AI工具协同工作流
设计多AI协作流程，让不同AI各司其职，发挥各自优势
AI伦理与学术诚信
理解AI使用的边界，学会正确引用和说明AI辅助，避免学术不端
📅 建议学习周期
第1周：工具熟悉
注册并熟悉DeepSeek、ChatGPT、Claude三个平台，了解各自特点和定价
第2-3周：提示词基础
掌握提示词工程核心技巧，完成10个基础提示词模板的学习和实践
第4-5周：建模全流程协作
选择一个简单建模问题，完整实践AI协作的建模流程
第6周及以后：进阶应用
尝试多AI协同工作流，建立个人提示词库，持续优化协作效率
🛠️ AI工具对比
数学推理强
代码生成优
长文本处理
效率最高
详细课程页面
针对不同人群和竞赛的专项课程，点击查看详情与报名
HiMCM 竞赛课程
美国高中生数学建模竞赛全流程培训，从选题到论文，系统掌握HiMCM解题方法
大学生MCM/ICM课程
面向本科生的MCM/ICM和CUMCM竞赛培训，覆盖建模全流程与论文写作
MidMCM 初中课程
IMMC初中组专项课程，用数学建模启蒙中学生科学思维
成人实用建模课
面向职场人士的建模思维课程，用模型的眼光做更好的商业决策
教师建模培训
中学数学教师专项培训体系，掌握将建模融入课堂教学的方法
竞赛全流程指南
自命题数学建模竞赛全流程指导，从组队到答辩的系统方法
数学基础系统学习
微积分·线性代数·概率统计 - 建模的三大基石
数学是数学建模的核心语言。本路径专为建模竞赛初学者设计，用6周时间系统梳理微积分、线性代数和概率统计的核心知识点， 每个知识点都配有Python代码实现和交互式可视化演示，让您从理论到实践全面掌握建模所需的数学基础。
📐 三大数学分支
🔢 线性代数
研究向量、矩阵和线性变换，是评价模型、主成分分析(PCA)、马尔可夫链的数学基础
∫ 微积分
研究变化率和累积过程，是优化模型、动力学模型、连续系统建模的数学基础
🎲 概率统计
处理不确定性和数据推断，是预测模型、假设检验、风险评估的数学基础
📅 6周学习计划
第1周：线性代数基础（上）
学习目标：掌握矩阵基本运算、行列式计算、线性方程组求解
重点内容：
- 矩阵加减法、乘法、转置
- 行列式的计算方法和性质
- 逆矩阵和线性方程组求解
- Python实践：numpy矩阵运算
自测题：能独立计算3×3矩阵的行列式、求逆矩阵、解线性方程组
第2周：线性代数基础（下）
学习目标：理解特征值、特征向量、SVD分解及其在建模中的应用
重点内容：
- 特征值与特征向量的计算和几何意义
- 对称矩阵的性质和正交对角化
- SVD分解和低秩近似
- Python实践：特征值分解可视化
自测题：能对3×3矩阵进行特征值分解，理解PCA降维原理
第3周：微积分基础（上）
学习目标：掌握极限、导数、梯度的概念和计算方法
重点内容：
- 函数极限和连续性的判断
- 导数定义、求导法则、链式法则
- 多元函数偏导数和梯度向量
- Python实践：符号计算sympy求导
自测题：能计算复合函数的导数，理解梯度的几何意义
第4周：微积分基础（下）
学习目标：掌握积分计算、极值优化、常微分方程数值解
重点内容：
- 不定积分和定积分计算
- 函数极值判断和拉格朗日乘数法
- 梯度下降算法原理和实现
- 一阶常微分方程数值解（欧拉法、龙格-库塔）
自测题：能用梯度下降法求函数最小值，数值求解Logistic方程
第5周：概率统计基础（上）
学习目标：掌握随机变量、概率分布、大数定律和中心极限定理
重点内容：
- 离散型和连续型随机变量
- 常见分布：二项、泊松、正态、t、卡方
- 大数定律和中心极限定理的理解
- Python实践：生成随机样本、可视化分布
自测题：能生成不同分布的随机数，验证中心极限定理
第6周：概率统计基础（下）
学习目标：掌握参数估计、假设检验、回归分析
重点内容：
- 点估计（矩估计、极大似然估计）
- 区间估计和置信区间计算
- 假设检验：t检验、卡方检验
- 一元和多元线性回归
自测题：能独立完成t检验、计算置信区间、拟合线性回归模型
🏆 数学基础在建模竞赛中的应用
评价模型
层次分析法(AHP)、熵权法、TOPSIS都需要矩阵运算和特征值计算
优化模型
线性规划、非线性规划、梯度下降算法都基于微积分和矩阵理论
预测模型
回归分析、时间序列、机器学习预测模型都基于概率统计
动力学模型
微分方程模型描述系统演化，如人口增长、传染病传播
数据降维
主成分分析(PCA)、因子分析基于特征值分解和协方差矩阵
风险评估
蒙特卡洛模拟、概率风险评估基于大数定律和随机抽样