1 翻译：
常用的翻译手段已列出：
知云文献自带同屏pdf阅览，非常适合阅读英文pdf文献（边扫边看），也可以当单纯的翻译器使用；
Deepl适合整篇文献翻译，预测在类似科研文章的整篇翻译或者写完中文论文后翻译成英文会有比较好的表现；
谷歌翻译适合作为补充手段，并且适合单一词句准确含义的查询；
1.1 知云文献（善于pdf对照）：
1.2 基于深度学习的翻译器（善于翻译文献）：
https://www.deepl.com/translator
1.3 谷歌翻译：
2 绘图：
列出了一些常用的绘图手段；
绘图绝对是非常重要的一个环节，必须得美观然后尽量花一点，之前国赛搞出来的那些肯定不行；
美赛和sas竞赛啥的不一样，不管怎么弄（比如我python输出xjb搞最后再上ps（？)）反正最后搞出来的好看就行，因为好像不是很注重图是怎么来的（比如硬性规定要放出图的代码之类的）
2.1 PPT与EXCEl：
ppt与excel感觉能解决几乎所有的图片（例如地图、3D图），并且能制作得很美观（前提是需要耐心）
附上西电大佬的博客：
2.2 流程图：
简单易上手，但是似乎不能制作很花的
2.3 亿图：
要会员，但是图形种类很多，有个别模板感觉有用得到的地方
https://www.edrawsoft.cn/edrawmax/ad.html?channel=baidu
2.4 生物医学类可能用到：
http://image.medpeer.cn/show/index/home
2.5 一些冷门的可能有用的绘图网站：
来自https://www.jianshu.com/p/228b6556e50f
看起来也许画network会用到
https://www.mapequation.org/apps.html
2.6 Python与Matlab：
比较建议现用现查，例如下面的Python可视化库（试过Seaborn，感觉效果还行）：
https://blog.csdn.net/weixin_39777626/article/details/78598346
但是Python和Matlab假如想制作那种比较花的图文并茂还带icon的图可能比较难，个人感觉应该结合起来，使用ppt做一些花图，而部分数据可视化则可以用py或者matlab
2.7 Tikz：
Latex的Tikz有很多高级的科研绘图模板，具体可以参考Latex工作室，比如下面这种比较好看的思维导图：
https://www.latexstudio.net/archives/466.html
但是因为我不会Tikz，直接用难免出调试问题，能不用还是算了==
假如最后要搞DNN或者CNN之类的结构图，那可能就不得不用了qaq
3 文献：
文献在学校的话直接知网万方IE都行，不在的话就用下面淘宝买的盗版下载凑合一下，我看了东西还是挺全的；
比较推荐的是先用谷歌学术/知网搜索想下的文献，然后直接复制名字去90图书馆找；
3.1 90图书馆（支持中英文献）：
账号：428271479182
密码：509738
4 数据：
美赛一般来说至少ABEF可能都需要自己找数据，姑且列出一些可能用得上的网站（假如用的话似乎必须注明出处，因为美赛注重版权）；
其中部分可能需要科学上网qaq
说起来还是比较倾向于选给数据的题==
4.1 全球免费数据库：
Oaister: oclc.org/oaister/
arXiv: http://cn.arxiv.org
DOAJ: doaj.org/
Open J-Gate: openj-gate.com/Search/Q…
4.2 美国重要官网：
美国国家农业统计署: usda.gov/wps/portal/usd…
美国国家统计局: fedstats.gov/
美国MCM主页: comap.com/
美国交通统计局: bts.gov/
美国劳工统计局: stats.bls.gov/
美国普查局: 2010.census.gov/2010cen…
5 科学上网：
刚下的，还挺好用，以防万一需要用到翻墙的时候：
6 算法总结：
结合了知乎O奖大佬以及一些经验
反正就传统艺能先找用啥再现学
6.1 综合评价：
一般用于：1、属于哪一类别？2、排名问题？3、找最优方案？
1、评价所属类别？（比如优良差）
模糊综合评判，主成分综合评价、因子分析（比较推荐）、投影寻踪综合评价（没听说过，能做排序）
2、排名？
层次分析法AHP（美赛好像挺多O奖上来先上一个层次分析，国赛就算了==）、熵值法、秩和比综合评价、优劣解距离法TOPSIS（好像也比较常用）
3、最优方案？
灰色关联分析（感觉最好别用这个）、数据包络DEA分析（多项投入指标和多项产出指标线性规划）
6.2 分类与判别：
1、聚类
模糊、层次、K-means、密度、系统（比较推荐前三种）
2、判别
贝叶斯判别、费舍尔判别、模糊识别（这几种好像用在NLP比较多）
3、其他
神经网络（大佬标注了尽量不要用和可以用来检验）、SVM
6.3 关联、因果与比较：
这部分感觉就是一些统计学常用的方法==
Person相关、Sperman等级相关、Kerdall秩相关、Copula相关
标准化回归、路径分析
典型相关系数、偏最小二乘回归
主成分、因子分析、Lasso、岭回归、主成分回归（感觉做回归的话比较推荐Lasso和岭回归这种带正则项的）
格兰杰因果检验、协整检验
方差分析、协方差分析
混合线性模型
独立性检验
非参数检验（符号、秩和，懂得都懂）
非参数中的M检验法和H检验法
结构方程模型
6.4 预测与预报：
1、单序列预测：
灰色预测模型（感觉不行）
时间序列预测（ARIMA ARCH X11 GARCH）这个感觉很可能用到…到时候现学吧
小波分析预测、神经网络预测
混沌序列预测、相空间重构理论（？）
马尔可夫预测（这个感觉也很常用）
2、回归分析预测：
线性、逐步、非线性回归
Logistic回归、Probit回归
虚拟变量回归
响应面回归、正交二次回归
动力方程、微分方程预测
生存分析、泊松回归、分位数回归
向量自回归、偏小二乘回归
6.5 优化与控制
线性规划、整数规划、0-1规划
非线性规划与智能优化算法（遗传、蚁群、鱼群、粒子群、模拟退火，感觉非常常用）
多目标规划、目标规划
动态规划
网格优化
排队论与计算机仿真
模糊规划
随机优化
6.6 其他
还有一些比较常用的：
元胞自动机（作为有些题目的唯一最优解而存在的感觉）
最大最小流
决策树
随机森林与梯度下降（不过这类问题一律可以XGBoost上位替代，yyds）
p.s. 必须重视敏感性分析与检验