自动编程做模型的过程可以根据不同的编程语言和工具有所差异，但大体上可以分为以下几个步骤：
数据收集和处理
这是任何机器学习项目的基础。程序需要收集大量的数据，并进行必要的预处理，例如清洗、格式转换、特征工程等。
模型选择
根据问题的性质和数据的特性，选择合适的机器学习模型。这可能包括决策树、随机森林、神经网络、支持向量机等。
模型训练
使用选定的模型对处理过的数据进行训练，以学习数据中的模式和关系。这一步通常需要大量的计算资源和时间。
模型评估
在模型训练完成后，需要评估模型的性能。这通常通过将模型应用于测试数据集来完成，并计算相关的性能指标，如准确率、召回率、F1分数等。
模型优化
根据模型评估的结果，可能需要对模型进行调整或优化。这可能包括调整模型参数、改变模型结构、使用更复杂的特征等。
模型部署
一旦模型达到满意的性能，就可以将其部署到生产环境中，用于实际的预测或决策。
对于数模（数学建模）的自动编程过程，可以分为以下几个步骤：
确定问题
首先，明确你要解决的问题是什么，包括问题的背景、目标和约束条件。
建立数学模型
根据问题的特点和要求，选择适当的数学模型来描述问题。这可能涉及到数学方程、统计模型、优化模型等，并将其转化为计算机可以理解和处理的形式。
选择编程语言和工具
根据需求和个人偏好，选择适合的编程语言和工具来实现数学模型。常用的编程语言包括Python、R、MATLAB等，而常用的数学建模工具包括GAMS、AMPL等。
编写代码
根据数学模型和选择的编程语言，编写代码来实现模型。这包括定义变量、约束条件、目标函数等，并使用适当的算法和方法求解模型。
调试和优化
在编写代码后，进行调试和优化以确保代码的正确性和效率。这包括检查代码逻辑错误、处理异常情况、优化算法等。
运行和分析结果
运行代码并获取结果，根据结果进行分析和解释，评估模型的有效性和可行性。
需要注意的是，数模的自动编程并不是一蹴而就的过程，它需要对问题进行深入理解、数学建模的能力以及编程技巧的支持。
此外，如果你使用的是特定的编程语言或框架，如C语言或Yii框架，可能还会有其他特定的步骤和工具可以使用。例如，在Yii框架中，可以使用Gii工具自动生成模型，并可以编辑自动生成的模型。