Portale della Didattica

Ottimizzazione stocastica e apprendimento ottimale

01TBCRT

A.A. 2018/19

Lingua dell'insegnamento

Italiano

Corsi di studio

Dottorato di ricerca in Matematica Pura E Applicata - Torino

Organizzazione dell'insegnamento

Didattica	Ore
Lezioni	15

Docenti

Docente	Qualifica	Settore	h.Lez	h.Es	h.Lab	h.Tut	Anni incarico
Brandimarte Paolo	Professore Ordinario	MAT/09	15	0	0	0	2

Collaboratori

Espandi

Didattica

SSD	CFU	Attivita' formative	Ambiti disciplinari
* N/A *

Date d'appello

Orario delle lezioni

Statistiche superamento esami

Anno accademico di inizio validit�

2018/19

Presentazione
Course description

PERIODO: APRILE - GIUGNO Il corso tratta problemi di ottimizzazione dinamica in condizioni di incertezza, affrontati mediante algoritmi di programmazione dinamica stocastica. Verranno considerati metodi numerici classici e metodi basati su simulazione Monte Carlo, oltre a problemi in cui le azioni hanno influenza sulla conoscenza del sistema.

PERIOD: APRIL - JUNE We deal with dynamic optimization problems under uncertainty, tackled by stochastic dynamic programming. We will consider classical numerical solution methods as well as simulation-based methods. We will also deal with problems where actions influence knowledge.

Risultati attesi
Expected Learning Outcomes

Prerequisiti
Pre-requirements

Programma
Course topics

 Il quadro generale: programmazione stocastica con ricorso, ottimizzazione robusta, programmazione dinamica stocastica.  Generazione di scenari: metodi Monte Carlo; metodi deterministici (quasi-Monte Carlo, quadrature Gaussiane, moment matching).  Programmazione dinamica: equazione di Bellman.  Metodi numerici classici e ottimizzazione basata sulla simulazione (reinforcement learning).  Optimal learning: approcci Bayesiani e knowledge gradient.

 General framework: stochastic programming with recourse, robust optimization, stochastic dynamic programming.  Scenario generation: Monte Carlo; deterministic methods (quasi-Monte Carlo, Gaussian quadrature, moment matching).  Dynamic programming and Bellman equation.  Classical numerical methods and simulation-based optimization (reinforcement learning).  Optimal learning: Bayesian approaches and knowledge gradient.

Note
Additional information

Organizzazione dell'insegnamento
Course structure

Bibliografia
Reading materials

Criteri, regole e procedure per l'esame esclusivamente IN PRESENZA
Assessment and grading criteria for ONSITE exam

Modalit� di esame:

Exam:

...

Gli studenti e le studentesse con disabilit� o con Disturbi Specifici di Apprendimento (DSA), oltre alla segnalazione tramite procedura informatizzata, sono invitati a comunicare anche direttamente al/la docente titolare dell'insegnamento, con un preavviso non inferiore ad una settimana dall'avvio della sessione d'esame, gli strumenti compensativi concordati con l'Unit� Special Needs, al fine di permettere al/la docente la declinazione pi� idonea in riferimento alla specifica tipologia di esame.

Exam:

In addition to the message sent by the online system, students with disabilities or Specific Learning Disorders (SLD) are invited to directly inform the professor in charge of the course about the special arrangements for the exam that have been agreed with the Special Needs Unit. The professor has to be informed at least one week before the beginning of the examination session in order to provide students with the most suitable arrangements for each specific type of exam.