讨论班 | 函数型数据、统计基础、网络分析（2021/11/22-2021/11/28）
1、讨论班简介
函数型数据讨论班
本讨论班的研究主题是函数型数据的平滑方法、主成分分析、典型关联分析、线性模型、微分方程与算子等，有助于大家在日常的学习研究当中从函数型数据的角度分析问题，剖析复杂数据下的本质特征，获得更合理、更直观的数据解释。
统计基础讨论班
本讨论班目前主要参考书籍为《Statistical Models》(A. C. Davison,2008)，开展目的是为新生补充研究生阶段所需的统计方面的基本知识。
网络分析讨论班
本讨论班讲授的主要内容是《Social and Economic Network》，旨在让大家对社会网络和经济网络分析有一个全面的认识，为理解和分析网络奠定理论基础。主要研究内容包括随机网络模型、网络结构分析、网络传播与渗透阈值、博弈论等。
2、时间及地点
3、本期内容概述
函数型数据讨论班
函数型线性模型
得益于数据采集技术的进步以及计算机硬件算力的提升，越来越多的数据能够在连续时间、稠密的空间进行采集。自然地，将这些数据视为函数型数据更符合客观实际。在这样的背景下，函数型数据分析方法特别是函数型线性模型在近二十年来得到了迅猛发展。本次讨论班主要讨论三种函数型线性模型，包括计算和一些实例分析。
参考文献：Ramsay J O. SB. Functional data analysis. vol[J]. 2005.
统计基础讨论班
假设检验与线性回归模型
本节将介绍多种检验方法，包括似然比检验和UMP检验等。重点讲述原假设的选取法则、显著性水平及P值的定义，和UMP检验的执行方法。同时，本节还将介绍线性回归模型，内容包括对线性回归模型基本假设的检验以及参数的最小二乘估计和极大似然估计方法等。
网络分析讨论班
Learning and Networks
In this section, we will discuss about the network-version multi-bandit learning model, the convergence of its learning processes, and the conditions for learning the optimal action. Moreover, we will show the theoretical foundations such as limiting theorems and rate of convergence of DeGroot model and the multi-bandit learning model in networks.
