Algorytmy optymalizacji w statystyce 1000-1M19AOS
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
Rodzaj przedmiotu
Efekty kształcenia
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
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/.
Więcej informacji
Więcej informacji o poziomie przedmiotu, roku studiów (i/lub semestrze) w którym się odbywa, o rodzaju i liczbie godzin zajęć - szukaj w planach studiów odpowiednich programów. Ten przedmiot jest związany z programami:
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: