必修模块
课程内容:一系列运筹学技术的介绍,包括:线性编程的基础,包括单纯形法和对偶性;整数编程 马可夫链 排队论 动态编程 库存模型;博弈论。
先决条件:学生必须了解线性代数(矩阵乘法,向量的几何解释),概率论(期望值,条件概率,随机事件的独立性)和微积分(导数,极限)的基础知识。
课程内容:该课程分为两部分,涵盖运筹学中两个最重要的工具:数学优化,运用复杂的数学方法做出最佳决策以及模拟,模拟现实场景(基于计算机) 建模环境。
优化(12个课时):这部分使学生能够制定,建模和解决作为数学优化问题的实际管理问题。在概述该领域最相关的技术时,它讲授了一系列构建数学优化模型的方法,并说明了如何解决它们并分析其解决方案。主题包括:使用线性和网络模型制定管理问题;用专用编程语言解决此类问题;解决方案的解释;非线性模型的公式化和求解,包括一些或全部的二进制,整数,凸和随机规划模型。
建模(8个学时):该部分将培养模拟建模技巧,理解支撑模拟方法论的理论基础,并对管理模拟建模项目中的实际问题有所了解。主题包括:生成离散和连续随机变量;蒙特卡罗模拟;方差减少技术;以及其他主题,例如离散事件模拟,马尔可夫链蒙特卡洛方法。本课程将教学生如何使用仿真建模软件包。
本课程涵盖最常用的数据分析统计方法。除了标准的推断方法(例如参数估计,假设检验,线性模型和逻辑回归)外,它还涵盖了蒙特卡洛方法,自举,EM算法,置换检验,基于局部拟合的回归,因果推断和错误发现率。 软件R构成课程的组成部分,可提供动手的数据分析经验。
可选模块-1 unit
MA402博弈论I(0.5)
MA407算法与计算(0.5)
MA421高级算法(0.5)
MA427数学优化(0.5)
MA428组合优化(0.5)
MA429数据挖掘算法技术(0.5)
MA434算法博弈论(0.5)
可选模块-0.5 unit
MA433网络数学(0.5)
MG409拍卖与博弈论(0.5)
MG422战略思考(0.5)
MG455决策,偏见和微调(0.5)
ST422时间序列(0.5)
ST449人工智能和深度学习(0.5)