-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathbecas.html
executable file
·77 lines (64 loc) · 3.57 KB
/
becas.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
<!DOCTYPE html>
<html>
<head>
<title>Grupo de modelado probabilista</title>
<link rel="stylesheet" type="text/css" href="style.css">
<link rel="stylesheet" href="css/all.css" >
<link rel="stylesheet" href="css/academicons.min.css"/>
<link rel="icon" href="favicon.ico" type="image/x-icon">
</head>
<body>
<div class="topnav">
<a href="index.html">Inicio</a>
<a href="miembros.html">Miembros</a>
<a href="publicaciones.html">Publicaciones</a>
<a class="active" href="cursos.html">Cursos</a>
</div>
<div class="row">
<div class="column_s"></div>
<div class="column_c">
<br>
<br>
Se busca candidata/o a beca doctoral de <a class="other-link" href="https://convocatorias.conicet.gov.ar/internas/"> CONICET</a> con formación en estadística, ciencias computacionales, matemática, ingeniería, bioinformática u otras carreras científicas.
Quien se postule deberá estar recibido/a antes del 31/03/2023. Se requiere predisposición a trabajar en equipo e interés en colaborar con proyectos de software libre. <a class="other-link" href="mailto:aloctavodia@gmail.com">Enviar CV</a>.
<br>
<h3>Tema 1</h3>
<p>
Ajuste adaptativo de Monte Carlo Hamiltoniano (MCH) en métodos de muestreo híbrido.
El uso de MCH ha permitido acelerar y extender la complejidad de los modelos Bayesianos.
La eficienciencia de MCH depende criticamente de hiper-parámetros que pueden ser ajustados adaptativamente.
Nosotros proponemos esquemas de ajuste para cuando MCH es usado en combinación con otros métodos de muestreo como Monte Carlo Secuencial o Metropolis-Hastings.
</p>
<h3>Tema 2</h3>
<p>
Evaluación de modelos Bayesianos usando distribuciones predictivas a priori y a posteriori.
Un paso crítico en el modelado Bayesiano es la evaluacíon de los supuestos de los modelos y de sus predicciones.
En este trabajo proponemos desarrollar nuevos métodos computacionales que faciliten este proceso.
Los métodos serán semi-automáticos y buscarán aliviar la carga cognitiva del usuario al tiempo que facilitaran la incorporación de conocimiento de dominio.
</p>
<h3>Tema 3</h3>
<p>
Flujo de trabajo para Computación Bayesiana Aproximada (ABC).
La simulación es central en muchos problemas científicos.
Los métodos ABC combinan el uso de los métodos Bayesianos con simulaciones.
Nosotros proponemos desarrollar nuevos métodos computacionales de diagnóstico y comparación de modelos especificamente para ABC.
Además proponemos estudiar y difundir buenas practicas para modelado ABC.
</p>
<h3>Otros temas</h3>
Es posible trabajar en otros temas vinculados a la estadística Bayesiana, programación probabilista, análisis exploratorio de modelos Bayesianos y flujo de trabajo Bayesiano.
<br>
<br>
<br>
</div>
<div class="column_s"></div>
<div class="footer">
<ul class="social-links">
<li><a class="fas fa-map-marker-alt" href="https://goo.gl/maps/P3uJaTZYwFF2"></a></li>
<li><a class="fas fa-envelope" href="mailto:aloctavodia@gmail.com"></a></li>
<li><a class="fab fa-twitter" href="https://twitter.com/aloctavodia"></a></li>
<li><a class="fab fa-github" href="https://github.com/Grupo-de-modelado-probabilista"></a></li>
<li><a class="fab fa-youtube" href="https://www.youtube.com/@grupodemodeladoprobabilista"></a></li>
</ul>
</div>
</body>
</html>