Algorytmy optymalizacji w statystyce

Informacje ogólne

Kod przedmiotu:	1000-1M19AOS
Kod Erasmus / 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) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu:	Algorytmy optymalizacji w statystyce
Jednostka:	Wydział Matematyki, Informatyki i Mechaniki
Grupy:	Przedmioty monograficzne dla matematyki 2 stopnia Przedmioty obieralne na studiach drugiego stopnia na kierunku bioinformatyka
Punkty ECTS i inne:	(brak) Podstawowe informacje o zasadach przyporządkowania punktów ECTS: roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS; tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h; 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się; tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS; nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta. zobacz reguły punktacji
Język prowadzenia:	angielski
Rodzaj przedmiotu:	monograficzne
Skrócony opis:	Wykład poświęcony będzie metodom optymalizacji wypukłej stosowanym w statystyce, ze szczególnym uwzględnieniem problemów niegładkich. Wykład obejmie przegląd najważniejszych algorytmów wraz z teorią dotyczącą zbieżności oraz dokładności omawianych metod. Wykład będzie również zawierał elementy teorii optymaizacji wypukłej.
Pełny opis:	1) Wstęp do optymalizacji wypukłej. 2) Metody (sub)-gradientowe i metody proksymalne. 3) Przyśpieszenie Nesterova 4) Teoria dualności i metody pierwotno-dualne. 5) Algorytm ADMM. 6) Metody stochastyczne
Literatura:	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/.
Efekty uczenia się:	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

Przedmiot nie jest oferowany w żadnym z aktualnych cykli dydaktycznych.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Warszawski.