Umberto Picchini

Docent, Matematiska vetenskaper

+46317726414 Hitta till mig http://orcid.org/0000-0002-0732-9154

Jag är intresserad av statistisk inferens för stokastisk modellering, och särskilt Bayesianska beräkningsmetoder. Till exempel är jag intresserad av MCMC, sekvensiella Monte Carlo-metoder (partikelfilter) och i synnerhet "likelihood-fria" metoder, såsom Approximate Bayesian Computation (ABC). Jag har ett särskilt intresse för stokastisk modellering (till exempel stokastiska differentialekvationer) och tillämpningar inom biomedicin.

**PHD POSITION WITH ME!** Read more at https://www.chalmers.se/en/departments/math/research/research-groups/AIMS/Pages/ai-project-5.aspx

En mer detaljerad personlig hemsida finns på https://umbertopicchini.github.io/

Du kan följa mig på Twitter på https://twitter.com/uPicchini

Examensarbeten: http://www.math.chalmers.se/Math/Grundutb/thesis/projects_list/

Jag är PI för det CHAIR och VR-dinansierade projektet “Deep Learning and Likelihood-Free Bayesian Inference for Intractable Stochastic Models". Se en beskrivning på https://www.chalmers.se/en/departments/math/research/research-groups/AIMS/Pages/ai-project-5.aspx

​• Ongoing cooperation with Kresten Lindorff-Larsen (University of Copenhagen), Julie Lyng Forman (University of Copenhagen) and PhD student Samuel Wiqvist (Lund University) on the VR funded project “Statistical inference and stochastic modelling of protein folding” (2013-5167). See a description at http://www.maths.lu.se/index.php?id=85411

• Ongoing cooperation with Jes Frellsen (DTU, Copenhagen) and Andrew Golightly (Uni. Newcastle, UK) on the CHAIR and VR funded project "Deep Learning and Likelihood-Free Bayesian Inference for Intractable Stochastic Models". See a description at https://www.chalmers.se/en/departments/math/research/research-groups/AIMS/Pages/ai-project-5.aspx

​• Skapade 2016 Bayes Nordics, en lista för att förmedla nuheter om händelser relaterade till Bayesiansk analys i de nordeuropeiska länderna. Du kan gå med och bidra på https://sites.google.com/site/bayesnordics/

• min OrcID https://orcid.org/0000-0002-0732-9154

Publicerad: sö 19 jan 2020.