这是我已经大量尝试过的东西。基于混合设计预测混凝土的抗压强度是一个很好的例子，而且相当具有挑战性 - 我使用了 UCI ML 存储库中提供的混凝土抗压强度数据集，以帮助我更好地了解如何操纵 ML 算法以获得良好的预测结果。 这是一个使用相同数据集并使用 BigML 工具进行分析的人。

我还使用 ML 来预测高速公路建设合同的付款项目投标价格，以帮助改进成本估算。例如，我着手确定特定项目（如护栏）的单价，承包商可能会根据合同的位置、一年中的时间、总价值、相关成本指数等来投标。这花了很多时间，而且实验，但我取得了令人惊讶的好预测结果。

关于您感兴趣的特定主题，我想您将不得不做大量的搜索和审查相关主题的硕士论文，花时间学习他们使用的数学模型和理论。

如果您想知道从哪里开始，我的学习路径涉及以下内容：

• 尽我所能学习神经网络和机器学习理论（像 Jeff Heaton 这样的人证明很有帮助，在这里）
• 在 Coursera 上参加 Andrew Ng 的机器学习课程。
• 下载并了解 R 脚本语言
• 阅读有关将 ML 应用于特定应用程序的白皮书/论文。
• 发展对基本统计理论，尤其是线性回归的扎实、严谨的理解。

不过，有很多不同的方法可以处理这个话题。像 BigML.com 这样的网站是让您在没有严格的数学/统计理解的情况下进行 ML 的好方法，但它只会让您到目前为止。

最后，你真的需要花时间去思考数学和使用 R 或 Python 等语言进行编程。同样重要的是要记住，虽然 ML 似乎更喜欢复杂性而不是简单性（在许多情况下，非线性问题受益于新颖的，有时是非直观的方法），但有时最简单的方法是最好的。这实际上是最终模型真正需要的准确度的问题。

您正在触及边界模拟的一些问题，即离散事件模拟（Simpy，Simul8）。例如，交通模拟主要使用这种技术和其他技术来完成，目的是测试系统更改的后果，或者完全概念化系统。您可能想考虑探索的一些公共领域是：

• 移动场景（交通等），
• 优化采矿或建筑作业，
• 消费场景（水、电等）

这些都是可以广泛纳入运筹学（Python for OP）的领域。如果您可能想要解决与此相关的问题，您需要决定的第一件事是“您要解决什么问题？”：

• 我需要查看建筑物的配水是否满足要求（根据水/压力可用性模拟用水场景）。
• 我需要优化建筑工地的运输和流动性。
• 我需要针对可能的疏散场景构思紧急出口计划。
• 等等。

那么，构建模型需要哪些信息？数据分析、图像分析、数据管理和操作。我的变量是什么？我的场景是什么？我可以预测现象吗（例如，预测用水量峰值比预测地震更容易）？我可以使用这些预测创建模型吗？

机器学习不是生命、宇宙和一切问题或灵丹妙药的答案，而是一个非常强大的工具，您应该将其应用于问题（和相应的数据）。因此，对您的问题的简短回答是“取决于您拥有的数据和您看到的问题”。

一般来说，最好的方法是参加任何可用的数据科学/机器学习入门课程，前提是你至少有一些编程经验，这样你就可以完成作业：这不会直接解决你的问题，但你会得到一些数据示例，并将了解如何使用 ML 来处理这些数据。在您有所了解之后，当您看到任何特定的数据块时，您将看到 ML 的潜在应用。