1. 從“測不準(zhǔn)”到“算得準(zhǔn)”碳化硅外延厚度建模的挑戰(zhàn)與機(jī)遇在半導(dǎo)體制造尤其是以碳化硅SiC為代表的第三代半導(dǎo)體領(lǐng)域外延層厚度是一個關(guān)乎器件性能與良率的命脈參數(shù)。它直接決定了器件的耐壓等級、導(dǎo)通電阻和開關(guān)特性。然而這個參數(shù)的精確獲取長期以來都是一個讓工藝工程師和研發(fā)人員頭疼的“測不準(zhǔn)”問題。傳統(tǒng)的測量方法無論是接觸式的臺階儀還是非接觸式的橢圓偏振儀都存在各自的局限前者可能引入損傷后者則嚴(yán)重依賴模型和材料光學(xué)常數(shù)在復(fù)雜的多層結(jié)構(gòu)或存在表面粗糙度時測量結(jié)果往往存在偏差。當(dāng)這個問題被搬到2025年數(shù)學(xué)建模國賽B題的舞臺上時它就不再僅僅是工藝線上的一個技術(shù)痛點而是一個融合了物理、數(shù)學(xué)與數(shù)據(jù)科學(xué)的綜合性挑戰(zhàn)。這道題的核心是要求我們繞過直接測量的物理限制利用已知的、可精確獲取的工藝參數(shù)和部分測量數(shù)據(jù)構(gòu)建一個能夠高精度預(yù)測外延層厚度的數(shù)學(xué)模型。這本質(zhì)上是一個從“測量”到“計算”的范式轉(zhuǎn)變其價值在于為工藝監(jiān)控和優(yōu)化提供了一個低成本、高效率、非破壞性的“軟測量”工具。對于參賽者而言理解這個問題的工業(yè)背景至關(guān)重要。碳化硅外延生長通常采用化學(xué)氣相沉積CVD技術(shù)在高溫下反應(yīng)氣體在襯底表面發(fā)生化學(xué)反應(yīng)沉積形成單晶薄膜。影響最終厚度的因素紛繁復(fù)雜主要包括生長溫度、反應(yīng)氣體流量與比例如硅烷和碳?xì)浠衔锏牧髁?、生長時間、反應(yīng)腔室壓力以及襯底的晶向與偏角。這些參數(shù)并非獨立作用它們之間存在著強(qiáng)烈的非線性耦合關(guān)系。例如溫度升高可能同時提高生長速率和改變表面反應(yīng)動力學(xué)氣體流量的變化會影響邊界層內(nèi)的物質(zhì)傳輸。因此一個優(yōu)秀的模型必須能夠捕捉這些復(fù)雜的相互作用。從建模角度看題目通常會提供一批歷史生產(chǎn)數(shù)據(jù)包含上述工藝參數(shù)作為輸入變量以及對應(yīng)的、通過某種“金標(biāo)準(zhǔn)”方法可能是破壞性截面測量后取平均獲得的厚度值作為輸出標(biāo)簽。我們的任務(wù)就是挖掘輸入與輸出之間的映射關(guān)系。這聽起來像一個典型的回歸問題但難點在于其內(nèi)在的物理約束和數(shù)據(jù)特性關(guān)系高度非線性、可能存在多重共線性、數(shù)據(jù)量可能有限、且存在測量噪聲。直接套用簡單線性回歸無異于刻舟求劍。因此解題思路的核心將圍繞“如何選擇合適的模型框架”以及“如何將物理先驗知識融入數(shù)據(jù)驅(qū)動模型”這兩個關(guān)鍵點展開。下面我將以一個資深工藝建模者的視角拆解構(gòu)建這個預(yù)測模型的完整邏輯鏈路。2. 數(shù)據(jù)基石清洗、探索與特征工程的三重奏在動筆推導(dǎo)任何一個公式之前我們必須像對待晶圓一樣小心翼翼地處理我們的數(shù)據(jù)。題目給出的數(shù)據(jù)集就是我們的“襯底”其質(zhì)量直接決定了最終“外延層”模型的性能。這一步往往被急于建模的團(tuán)隊忽略但卻埋下了最大的失分隱患。2.1 數(shù)據(jù)清洗與異常值偵測識別工藝線上的“壞點”首先我們需要進(jìn)行徹底的數(shù)據(jù)清洗。工藝數(shù)據(jù)中常見的異常通常有兩類記錄錯誤和真實工藝異常。記錄錯誤比如溫度單位弄錯攝氏 vs 開爾文、流量小數(shù)點錯位、時間記錄為負(fù)值等。這類錯誤可以通過簡單的統(tǒng)計描述如df.describe()結(jié)合物理常識快速發(fā)現(xiàn)。例如碳化硅外延生長溫度通常在1500°C - 1650°C范圍如果出現(xiàn)一個2000°C的數(shù)據(jù)點基本可以判定為錯誤。真實工藝異常這類更為棘手。它可能源于設(shè)備瞬間的不穩(wěn)定如電源波動、氣體管路臨時堵塞、或襯底表面存在缺陷。這些異常會導(dǎo)致生長速率突變產(chǎn)生偏離主體數(shù)據(jù)分布很遠(yuǎn)的“離群點”。對于異常值的處理我個人的經(jīng)驗是謹(jǐn)慎剔除優(yōu)先分析。直接刪除所有統(tǒng)計意義上的離群點如3σ原則可能會誤刪那些代表特殊工藝窗口的有價值數(shù)據(jù)。我推薦的方法是可視化篩查對每個工藝參數(shù)和厚度值分別繪制箱線圖直觀查看離群點?；谀Ｐ偷膫蓽y先使用穩(wěn)健的模型如孤立森林 Isolation Forest 或局部離群因子 LOF對多維特征空間進(jìn)行異常檢測。這些算法能發(fā)現(xiàn)特征組合異常的樣本而不僅僅是單個特征異常。物理一致性校驗這是最關(guān)鍵的一步。計算每個樣本的“表觀平均生長速率”厚度 / 生長時間。在穩(wěn)定的工藝窗口內(nèi)這個速率應(yīng)該在一個相對集中的范圍內(nèi)。如果某個樣本的速率異常高或低而其工藝參數(shù)并無特殊之處那么這個樣本很可能存在問題需要結(jié)合“工藝日志”如果題目有提供進(jìn)行判斷或予以剔除。注意對于剔除的樣本務(wù)必在論文中記錄其編號、異常原因及處理方式這體現(xiàn)了建模過程的嚴(yán)謹(jǐn)性。2.2 探索性數(shù)據(jù)分析看見參數(shù)之間的“對話”清洗后的數(shù)據(jù)我們需要與之“對話”。探索性數(shù)據(jù)分析EDA的目標(biāo)是理解特征與目標(biāo)厚度之間、以及特征與特征之間的關(guān)系。單變量分析觀察每個工藝參數(shù)的分布直方圖。是正態(tài)分布還是偏態(tài)分布生長時間可能是均勻設(shè)計的但溫度可能集中在幾個常用的設(shè)定點。了解分布有助于后續(xù)決定是否需要進(jìn)行標(biāo)準(zhǔn)化或歸一化。相關(guān)性分析計算所有數(shù)值變量間的皮爾遜相關(guān)系數(shù)矩陣并繪制熱力圖。這能快速發(fā)現(xiàn)強(qiáng)線性相關(guān)的特征對例如某種載氣流量可能與腔室壓力強(qiáng)相關(guān)。高共線性會影響某些模型如線性回歸、LASSO的穩(wěn)定性和可解釋性需要考慮是否進(jìn)行特征選擇或使用正則化。關(guān)系可視化繪制厚度與每個關(guān)鍵工藝參數(shù)的散點圖或加入趨勢線的散點圖。例如厚度 vs 生長時間 理論上應(yīng)呈正相關(guān)但散點圖可能顯示隨著時間增長數(shù)據(jù)點變“胖”方差增大這暗示生長速率本身可能受其他參數(shù)影響而不恒定。繪制厚度 vs 溫度的散點圖可能會觀察到一種先升后降的非單調(diào)關(guān)系這是因為溫度過低時反應(yīng)動力學(xué)限制溫度過高時可能發(fā)生氣相成核或材料分解。2.3 特征工程從原始參數(shù)到模型“燃料”原始工藝參數(shù)是“食材”特征工程則是“烹飪”旨在提取出對模型更友好、預(yù)測能力更強(qiáng)的信息。對于本問題可以考慮以下幾類特征交互項與多項式特征這是捕捉非線性關(guān)系的利器。例如溫度 × 時間、硅烷流量 / 碳源流量C/Si比、溫度^2、壓力 × 流量等。C/Si比是一個極其重要的物理特征直接影響外延層的晶型和缺陷密度雖然題目可能不直接給出但若給出硅源和碳源流量必須構(gòu)造此特征。引入交互項后特征維度會爆炸式增長必須配合后續(xù)的特征選擇。基于物理公式的衍生特征如果了解簡單的CVD生長動力學(xué)可以嘗試構(gòu)造一些特征。例如生長速率常與反應(yīng)氣體分壓的某次方成正比與exp(-Ea/RT)成正比阿倫尼烏斯公式。我們可以構(gòu)造log(壓力)、1/溫度開爾文溫度這樣的特征可能有助于線性化某些關(guān)系。統(tǒng)計特征針對時間序列或批次數(shù)據(jù)如果數(shù)據(jù)是按批次或時間順序記錄的可以計算滑動統(tǒng)計量如最近5個批次某個參數(shù)的平均值、方差用以表征設(shè)備的“歷史狀態(tài)”。領(lǐng)域特征例如將“襯底晶向”這樣的分類變量進(jìn)行獨熱編碼One-Hot Encoding。如果存在“設(shè)備編號”也可以將其作為分類特征以捕捉不同設(shè)備間的系統(tǒng)誤差。一個關(guān)鍵的實操心得在進(jìn)行多項式特征擴(kuò)展時務(wù)必先進(jìn)行特征標(biāo)準(zhǔn)化StandardScaler。因為溫度^2的量級會遠(yuǎn)大于原始溫度導(dǎo)致模型權(quán)重失衡。標(biāo)準(zhǔn)化后所有特征處于同一量級模型訓(xùn)練更穩(wěn)定梯度下降收斂更快。3. 模型武庫從經(jīng)典回歸到集成學(xué)習(xí)的選型邏輯面對處理好的特征我們進(jìn)入核心環(huán)節(jié)——模型選擇。沒有“唯一最佳”的模型只有“最適合當(dāng)前數(shù)據(jù)與問題”的模型。我們需要一個兼顧預(yù)測精度、魯棒性和一定可解釋性的模型。3.1 基準(zhǔn)模型為什么線性回歸不夠用首先建立一個簡單的多元線性回歸作為基準(zhǔn)模型是必要的。它的結(jié)果可以作為一把尺子衡量更復(fù)雜模型帶來的提升是否值得。但我們必須清楚其局限性它假設(shè)特征與目標(biāo)呈線性關(guān)系且特征間相互獨立。這與碳化硅外延生長的復(fù)雜物理化學(xué)過程嚴(yán)重不符。因此線性回歸的預(yù)測效果通常很差其殘差圖會呈現(xiàn)出明顯的非線性模式。它的主要價值在于提供特征系數(shù)的初步解讀在共線性不高的情況下以及作為一個性能下限的參照。為了處理非線性一個自然的升級是多項式回歸。它將特征的高次項和交互項作為新特征再用線性回歸求解。例如使用2次多項式特征。它的優(yōu)點是概念簡單仍屬于線性模型范疇對系數(shù)而言是線性的可以通過正規(guī)方程或最小二乘法求解。但它的致命缺點是容易過擬合特別是當(dāng)多項式階數(shù)較高或特征較多時模型會瘋狂擬合數(shù)據(jù)中的噪聲導(dǎo)致在未知數(shù)據(jù)上表現(xiàn)糟糕。同時特征維度爆炸會帶來計算負(fù)擔(dān)和“維數(shù)災(zāi)難”。3.2 正則化路徑約束復(fù)雜度以尋求泛化為了防止過擬合我們引入正則化。這相當(dāng)于給模型復(fù)雜度加上“緊箍咒”。嶺回歸在損失函數(shù)中加入L2正則項所有權(quán)重平方和。它會讓所有系數(shù)同時縮小但不會將任何系數(shù)壓縮至零。適用于特征間存在多重共線性的情況能獲得更穩(wěn)定、更可靠的解。LASSO回歸在損失函數(shù)中加入L1正則項權(quán)重絕對值之和。它的神奇之處在于可以將不重要的特征的系數(shù)壓縮至零從而實現(xiàn)自動特征選擇。這對于我們經(jīng)過特征工程后可能產(chǎn)生的龐大特征集非常有用可以幫助我們篩選出真正關(guān)鍵的特征組合。彈性網(wǎng)絡(luò)結(jié)合了L1和L2正則項綜合了兩者的優(yōu)點既能進(jìn)行特征選擇又能處理共線性是實踐中非常穩(wěn)健的選擇。在實操中對于多項式回歸正則化的組合我的標(biāo)準(zhǔn)流程是對原始特征進(jìn)行多項式擴(kuò)展例如到3階。使用StandardScaler標(biāo)準(zhǔn)化所有多項式特征。將數(shù)據(jù)劃分為訓(xùn)練集和測試集例如7:3或8:2。在訓(xùn)練集上對嶺回歸、LASSO或彈性網(wǎng)絡(luò)使用交叉驗證如5折或10折來網(wǎng)格搜索最優(yōu)的正則化強(qiáng)度參數(shù)alpha。用找到的最優(yōu)參數(shù)在訓(xùn)練集上重新訓(xùn)練模型并在測試集上評估性能。3.3 非線性模型的王者樹模型與集成學(xué)習(xí)當(dāng)變量間的交互效應(yīng)非常復(fù)雜時基于樹的模型往往能大放異彩。決策樹本身易于理解可以可視化。但它非常不穩(wěn)定容易過擬合單個樹模型很少直接用于最終預(yù)測。隨機(jī)森林通過構(gòu)建大量決策樹并集成其結(jié)果有效降低了方差防止過擬合。它能夠天然地處理非線性關(guān)系和特征交互無需復(fù)雜的特征工程如多項式擴(kuò)展對數(shù)據(jù)缺失和異常值也有較好的魯棒性。它還可以輸出特征重要性排序為工藝優(yōu)化提供方向例如發(fā)現(xiàn)生長時間是首要因素其次是溫度。梯度提升樹代表算法如XGBoost、LightGBM、CatBoost。這是目前結(jié)構(gòu)化數(shù)據(jù)預(yù)測競賽中的“大殺器”。它通過串行地構(gòu)建一系列弱學(xué)習(xí)器樹每一棵新樹都致力于糾正前一棵樹的殘差。這種方法通常能獲得比隨機(jī)森林更高的預(yù)測精度。LightGBM和XGBoost在效率和精度上各有千秋L(fēng)ightGBM通常訓(xùn)練更快而XGBoost的參數(shù)調(diào)優(yōu)空間可能更精細(xì)。模型選型建議在國賽有限的時間內(nèi)一個高效的策略是搭建一個模型Pipeline第一梯隊快速驗證使用標(biāo)準(zhǔn)化后的原始特征交互項訓(xùn)練隨機(jī)森林和XGBoost。這兩個模型能快速給出一個不錯的性能基線并輸出特征重要性幫助我們反向驗證特征工程的有效性。第二梯隊精細(xì)調(diào)優(yōu)如果時間允許對特征重要性高的特征嘗試構(gòu)造更精細(xì)的物理衍生特征然后分別用彈性網(wǎng)絡(luò)處理高維特征和調(diào)優(yōu)后的XGBoost進(jìn)行建模對比。第三梯隊模型融合如果單一模型性能遇到瓶頸可以考慮簡單的模型融合例如將隨機(jī)森林、XGBoost和彈性網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行加權(quán)平均或堆疊。這往往能進(jìn)一步提升模型的穩(wěn)定性和泛化能力。4. 模型評估與工藝解讀從數(shù)字到洞見模型建好了R2看起來很高但這遠(yuǎn)遠(yuǎn)不夠。我們需要系統(tǒng)地評估它并理解其背后的工藝含義。4.1 超越R2多維度的性能評估絕不能只依賴一個R2分?jǐn)?shù)。必須使用一套組合指標(biāo)并從不同角度評估均方誤差對預(yù)測誤差進(jìn)行平方對大誤差懲罰更重是回歸問題最常用的損失函數(shù)。均方根誤差MSE的平方根其量綱與目標(biāo)變量厚度一致更易于業(yè)務(wù)解釋。例如RMSE 0.2μm意味著平均預(yù)測誤差在0.2微米左右。平均絕對誤差對每個誤差取絕對值更能反映典型的預(yù)測誤差大小且對異常值不如MSE敏感。R2表征模型解釋的數(shù)據(jù)方差比例。但要警惕過擬合導(dǎo)致訓(xùn)練集R2虛高測試集R2驟降。更重要的評估方法是可視化預(yù)測值 vs 真實值散點圖理想情況下所有點應(yīng)分布在yx這條對角線附近。如果出現(xiàn)彎曲說明模型存在系統(tǒng)性偏差非線性未捕捉完全如果離散度隨厚度增加而變大說明模型在較大厚度值區(qū)域預(yù)測不穩(wěn)定。殘差分布圖繪制預(yù)測殘差真實值-預(yù)測值的分布。理想情況是殘差圍繞0隨機(jī)、均勻分布且無明顯趨勢。如果殘差與預(yù)測值呈現(xiàn)“漏斗形”或“彎曲形”則說明模型存在異方差性或未捕捉的系統(tǒng)性趨勢需要進(jìn)一步改進(jìn)模型或特征。學(xué)習(xí)曲線繪制模型在訓(xùn)練集和驗證集上的性能如RMSE隨訓(xùn)練樣本數(shù)量增加的變化曲線。這有助于診斷模型是處于欠擬合兩條曲線都高且接近還是過擬合訓(xùn)練集誤差很低但驗證集誤差很高狀態(tài)。4.2 特征重要性分析與工藝啟示對于樹模型我們可以直接獲取特征重要性得分。這個分析的價值遠(yuǎn)超模型本身它能直接反饋給工藝工程師。如果“生長時間”重要性最高這符合物理直覺說明在當(dāng)前數(shù)據(jù)集的工藝窗口內(nèi)時間是最主要的厚度決定因素生長速率相對穩(wěn)定。如果“溫度”或“C/Si比”的重要性凸顯說明工藝可能處于一個敏感區(qū)間這些參數(shù)的微小波動會對生長速率產(chǎn)生顯著影響提示生產(chǎn)線上需要加強(qiáng)對這些參數(shù)的控制精度。如果某些交互項如“溫度×壓力”重要性很高說明這兩個參數(shù)的協(xié)同效應(yīng)顯著單獨調(diào)整其中一個而固定另一個效果可能不理想。這為多參數(shù)聯(lián)合優(yōu)化提供了方向。我們可以將特征重要性排序以柱狀圖形式呈現(xiàn)并在論文中結(jié)合碳化硅外延生長動力學(xué)進(jìn)行解釋這將極大提升論文的深度和工業(yè)價值。4.3 模型部署與不確定性思考在論文的最后部分需要展現(xiàn)對模型實際應(yīng)用的思考。應(yīng)用場景模型可以集成到生產(chǎn)MES系統(tǒng)中作為每一片外延片生長完成后的實時厚度預(yù)測工具。當(dāng)預(yù)測厚度與目標(biāo)值偏差超過閾值時系統(tǒng)可自動報警提示工程師檢查工藝或設(shè)備狀態(tài)。模型局限性必須坦誠說明模型的邊界。例如本模型是基于特定型號設(shè)備、特定供應(yīng)商的襯底和氣體在歷史數(shù)據(jù)上訓(xùn)練的。如果更換設(shè)備、襯底批次或氣體源模型可能需要重新校準(zhǔn)或訓(xùn)練。它也無法預(yù)測因突發(fā)設(shè)備故障如加熱器異常導(dǎo)致的厚度異常。不確定性量化一個進(jìn)階的思路是不僅預(yù)測厚度的“點估計值”還預(yù)測其“預(yù)測區(qū)間”。例如使用分位數(shù)回歸或基于集成模型如隨機(jī)森林計算預(yù)測值的標(biāo)準(zhǔn)差給出一個厚度可能落在的范圍如95%置信區(qū)間。這能為工藝決策提供更豐富的信息。5. 完整建模流程復(fù)盤與避坑指南結(jié)合以上所有內(nèi)容我們可以梳理出一條從數(shù)據(jù)到洞見的完整建模鏈路并總結(jié)出幾個最容易“踩坑”的關(guān)鍵點。標(biāo)準(zhǔn)建模Pipeline數(shù)據(jù)預(yù)處理導(dǎo)入數(shù)據(jù)處理缺失值如有識別并基于物理邏輯處理異常值。EDA與特征工程進(jìn)行單變量、相關(guān)性分析。構(gòu)造關(guān)鍵衍生特征C/Si比、交互項、多項式項等。對分類變量編碼。數(shù)據(jù)劃分與標(biāo)準(zhǔn)化按比例劃分訓(xùn)練集和測試集。使用訓(xùn)練集的均值和標(biāo)準(zhǔn)差對所有特征進(jìn)行標(biāo)準(zhǔn)化并將同樣的轉(zhuǎn)換應(yīng)用于測試集?；鶞?zhǔn)模型建立訓(xùn)練多元線性回歸記錄其性能作為基準(zhǔn)。高級模型訓(xùn)練與調(diào)優(yōu)對正則化線性模型彈性網(wǎng)絡(luò)使用網(wǎng)格搜索交叉驗證尋找最優(yōu)正則化參數(shù)。對樹模型隨機(jī)森林、XGBoost調(diào)整關(guān)鍵超參數(shù)如樹的數(shù)量、最大深度、學(xué)習(xí)率等。模型評估與選擇在測試集上全面比較各模型的RMSE、MAE、R2并結(jié)合殘差圖、學(xué)習(xí)曲線進(jìn)行診斷。選擇性能最優(yōu)且穩(wěn)健的模型作為最終模型。模型解釋與應(yīng)用分析最終模型的特征重要性繪制預(yù)測-真實值對比圖討論模型對工藝優(yōu)化的啟示并說明其應(yīng)用方式和局限性。核心避坑指南數(shù)據(jù)泄露這是最大的陷阱任何從數(shù)據(jù)中學(xué)習(xí)到的信息如均值、標(biāo)準(zhǔn)差、特征重要性都只能從訓(xùn)練集中獲得。標(biāo)準(zhǔn)化時必須用訓(xùn)練集的fit結(jié)果去transform訓(xùn)練集和測試集絕不能在整個數(shù)據(jù)集上fit后再劃分。特征選擇的過程也應(yīng)嵌入交叉驗證循環(huán)內(nèi)部進(jìn)行。盲目追求復(fù)雜模型不要一上來就用最復(fù)雜的XGBoost或神經(jīng)網(wǎng)絡(luò)。先從簡單的模型如線性模型、單棵決策樹開始理解數(shù)據(jù)的基本規(guī)律。復(fù)雜模型是“重武器”需要更多的數(shù)據(jù)、更精細(xì)的調(diào)參和更長的訓(xùn)練時間在數(shù)據(jù)量有限的小樣本情況下反而容易過擬合。忽略模型假設(shè)每個模型都有其適用前提。使用線性模型卻不對殘差的獨立同分布、同方差性進(jìn)行檢驗使用樹模型卻不控制其深度導(dǎo)致過擬合這些都是常見錯誤。在論文中對所選模型的假設(shè)進(jìn)行簡要說明并展示你如何通過預(yù)處理或后驗分析如殘差圖來驗證這些假設(shè)是否被大致滿足能體現(xiàn)深厚的建模功底。報告不完整的評估只給出訓(xùn)練集上的R2是毫無意義的。必須報告在未見過的測試集上的性能指標(biāo)。同時用圖表可視化評估結(jié)果比單純羅列數(shù)字更有說服力。缺乏物理或業(yè)務(wù)洞察數(shù)學(xué)建模比賽不是單純的調(diào)包比賽。將模型結(jié)果與碳化硅外延生長的物理化學(xué)知識相結(jié)合解釋為什么某個特征重要為什么殘差呈現(xiàn)某種模式并提出基于模型結(jié)果的、可操作的工藝優(yōu)化建議例如“模型顯示在當(dāng)前設(shè)定下將溫度從1580°C提升至1600°C同時將C/Si比從1.05微調(diào)至1.02可在保持生長速率的同時可能改善外延層均勻性”這才是從優(yōu)秀論文邁向獲獎?wù)撐牡年P(guān)鍵一躍。這道賽題的精妙之處在于它用一個具體的工業(yè)問題考察了參賽者全流程的數(shù)據(jù)科學(xué)能力從數(shù)據(jù)預(yù)處理、特征工程、模型選擇與調(diào)優(yōu)、到評估與解釋。它要求我們不僅是一個會調(diào)用sklearn的程序員更是一個理解工藝、懂得用數(shù)據(jù)解決實際問題的工程師。最終的勝出者一定是那些能將嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)建模與深刻的物理洞察完美結(jié)合的團(tuán)隊。