Optimization methods in statistics.

General data

Course ID:	1000-1M19AOS
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:	Optimization methods in statistics.
Name in Polish:	Algorytmy optymalizacji w statystyce
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 optimization methods commonly ussed in statistics, with special attention to non-smooth problems. 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 convex optimization are also included.
Full description:	1) Introduction to convex optimization. 2) (Sub)- gradients methods and proximal methods. 3) Nesterov acceleration 4) Dual problems and primal-dual methods. 5) Alternative Directions Method of Multiplyers. 6) Stochastic methods
Bibliography:	Boyd and Vandenberghe, 2004. Convex Optimization. Cambridge University Press. Rockafellar, 1998. Variational Analysis. Springer. Tibshirani, 2015. Convex Optimization (Lecture notes). http://www.stat.cmu.edu/~ryantibs/convexopt-S15/.
Learning outcomes:	(in Polish) Wiedza i umiejętności 1. Zna i rozumie podstawowe pojęcia optymalizacji wypukłej. 3. Zna podstawowe algorytmy optymalizacji wypukłej stosowane w statystyce. Umie samodzielnie zaprojektować i zaprogramować algorytm spadku po gradiencie w prostych modelach statystycznych. 4. Umie samodzielnie zaprojektować i zaprogramować metodę ADMM dla regresji liniowej z karą LASSO. Kompetencje społeczne: 1. Rozumie znaczenie metod optymalizacji jako narzędzia do statystycznej analizy. 2. Umie wyjaśnić w zrozumiałym języku rolę metod optymalizacji w statystyce

This course is not currently offered.

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