Uniwersytet Warszawski - Centralny System Uwierzytelniania
Strona główna

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.
ul. Banacha 2
02-097 Warszawa
tel: +48 22 55 44 214 https://www.mimuw.edu.pl/
kontakt deklaracja dostępności USOSweb 7.0.3.0-2b06adb1e (2024-03-27)