Advanced Monte Carlo Methods

General data

Course ID:	1000-1M16ZMC
Erasmus code / ISCED:	11.1 Kod klasyfikacyjny przedmiotu składa się z trzech do pięciu cyfr, przy czym trzy pierwsze oznaczają klasyfikację dziedziny wg. Listy kodów dziedzin obowiązującej w programie Socrates/Erasmus, czwarta (dotąd na ogół 0) – ewentualne uszczegółowienie informacji o dyscyplinie, piąta – stopień zaawansowania przedmiotu ustalony na podstawie roku studiów, dla którego przedmiot jest przeznaczony. / (0541) Mathematics The ISCED (International Standard Classification of Education) code has been designed by UNESCO.
Course title:	Advanced Monte Carlo Methods
Name in Polish:	Zaawansowane metody Monte Carlo
Organizational unit:	Faculty of Mathematics, Informatics, and Mechanics
Course groups:	(in Polish) Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka Elective courses for 2nd stage studies in Mathematics
ECTS credit allocation (and other scores):	(not available) Basic information on ECTS credits allocation principles: the annual hourly workload of the student’s work required to achieve the expected learning outcomes for a given stage is 1500-1800h, corresponding to 60 ECTS; the student’s weekly hourly workload is 45 h; 1 ECTS point corresponds to 25-30 hours of student work needed to achieve the assumed learning outcomes; weekly student workload necessary to achieve the assumed learning outcomes allows to obtain 1.5 ECTS; work required to pass the course, which has been assigned 3 ECTS, constitutes 10% of the semester student load. view allocation of credits
Language:	English
Type of course:	elective monographs
Short description:	The course is devoted to Monte Carlo methods with special attention to Markov chain Monte Carlo (MCMC) and sequential Monte Carlo (SMC). The course covers an overview of the most important algorithms along with the theory about the convergence and accuracy of presented methods. Elements of theory of Markov chains on general state space are also included
Full description:	1) Limit theorems for Markov chains. 2) Standard MCMC algorithms (Gibbs sampler, Metropolis – Hastings algorithms, etc.) . 3) Adaptive MCMC methods, theory and examples. 4) Particle filter for hidden Markov models and its generalization to SMC algorithms. 5) Particle MCMC methods.
Bibliography:	Meyn S.P., Tweedie R.L.,1993. Markov Chains and Stochastic Stability.Springer Casella G., Robert C.P.,1999, Monte Carlo Statistical Methods. Springer.
Learning outcomes:	(in Polish) Efekty kształcenia: Wiedza i umiejętności 1. Zna i rozumie twierdzenia graniczne dla łańcuchów Markowa. 2. Zna i rozumie definicję geometrycznej ergodyczności. 3. Zna podstawowe algorytmy MCMC (markowowskie Monte Carlo) stosowane w statystyce bayesowskiej. Umie samodzielnie zaprojektować i zaprogramować próbnik Gibbsa lub algorytm Metropolisa - Hastingsa w prostych modelach. 4. Zna podstawowe algorytmy SMC. Umie samodzielnie zaprojektować i zaprogramować metodę filtru cząsteczkowego dla podstawowych ukrytych modeli markowowskich. Kompetencje społeczne: 1. Rozumie znaczenie metod Monte Carlo jako narzędzia do obliczania całek. 2. Umie wyjaśnić w zrozumiałym języku rolę metod obliczeniowych Monte Carlo w statystyce
Assessment methods and assessment criteria:	(in Polish) Oceniane są: - zadania z laboratoriów - aktywność na zajęciach - egzamin ustny Ocena końcowa = maximum z ocen cząstkowych

This course is not currently offered.

Course descriptions are protected by copyright.
Copyright by University of Warsaw.