Tin mới

  • Thông báo thay đổi Phòng học (Từ 12/5/2025 - đến hết học kỳ) 08/05/2025

    Bắt đầu từ tuần 12/5/2025 đến hết học kỳ, các lớp sau đây sẽ được thay đổi Phòng học: Lớp Tên Môn Đơn Vị Thứ Phòng Cũ Phòng Mới Ngày Di Dời Đến 23TTH_TN Lý thuyết thống kê  Khoa Toán 2 D209 NDH 5.4 5/12/2025 Hết học kỳ 23KDL Nhập môn Khoa học dữ...

  • Trường hè Toán học sinh viên năm 2025 08/05/2025

    Thời gian: 08:00:14/07/2025 đến 17:00:23/07/2025 Địa điểm: Trường Đại học FPT, thành phố Đà Nẵng 1. Mục đích, nội dung:  Trường hè Toán học sinh viên nhằm giới thiệu cho sinh viên một số chủ đề của Toán học lý thuyết; Toán ứng dụng, Khoa học tính toán và Toán...

  • Company Open Day: “A Day @Renesas for Female Engineers” – Khám Phá Hành Trình Kỹ Sư Nữ Tại Renesas 08/05/2025

    Bạn là sinh viên nữ ngành kỹ thuật và đang tìm kiếm cơ hội để tiếp cận với công nghệ tiên tiến, môi trường làm việc quốc tế và những định hướng nghề nghiệp hấp dẫn? Hãy tham gia sự kiện đặc biệt “A Day @Renesas for Female Engineers” – Sự kiện dành riêng...

  • Giải bóng đá Cựu sinh viên Trường Đại học Khoa học tự nhiên, ĐHQG HCM – Lần 3 – Năm 2025 07/05/2025

    Giải bóng đá HCMUS ALUMNI League - Season 3 đã trở lại, hứa hẹn sôi động hơn bao giờ hết.Một thành viên trong Ban Tổ chức, cũng là cựu sinh viên của khoa, đang nhiệt tình kêu gọi các đồng môn tham gia để cùng tạo nên một mùa giải vui tươi và ý...

  • Recap: Trường Xuân 2025 về Thống kê và Học máy 07/05/2025

    Từ ngày 8 đến 18/4/2025, Trường Xuân Thống kê và Học máy đã diễn ra thành công tại Khoa Toán - Tin học, Trường ĐH KHTN, ĐHQG-HCM, với sự phối hợp của Viện Nghiên cứu Cao cấp về Toán (VIASM), Viện Toán học Toulouse và ENS-Paris-Saclay, Pháp. Chương...

  • TB đổi Phòng môn Lập trình hướng đối tượng ngày 7/5/2025 29/04/2025

    Thông báo về việc tạm thay đổi Phòng học vào ngày 7/5/2025 như sau: - Môn Lập trình hướng đối tượng - Lớp: 23TTH - Chuyển từ Phòng E304A sang Phòng G201 Sau tuần này, sinh viên vẫn học tại phòng E304A như ban đầu.  

  • Seminar về Đại số và lý thuyết số tháng 05.2025 23/04/2025

    Thân mời tất cả thầy cô, NCS, học viên cao học và các bạn sinh viên tham dự buổi seminar về Đại số và lý thuyết số. Đến với seminar lần này, chúng ta sẽ được giới thiệu một số nội dung về Giả thuyết ABC (giả thuyết liên quan tới Định lý...

  • Sinh viên đạt thành tích tại Kỳ thi Olympic Toán học toàn quốc 21/04/2025

    Cuộc thi Olympic Toán học sinh viên, học sinh toàn quốc lần thứ 31 – năm 2025 quy tụ những tài năng xuất sắc đến từ các trường đại học, cao đẳng, học viện và khối Trung học phổ thông chuyên trên toàn quốc. Năm nay, có 90 đoàn đến từ các trường đại học và...

Seminar tháng 08-2022:

Bộ môn Xác suất - Thống kê kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và các sinh viên có quan tâm đến tham dự Seminar Xác suất - Thống kê tháng 08/2022 với báo cáo sau: 

  • Tên bài báo cáo: Phương pháp Suy luận Thống kê cho Phân tích ROC (Statistical Inference for ROC Analysis)
  • Báo cáo viên: TS. Tô Đức Khánh (Department of Statistical Sciences, University of Padova, Italy)
  • Thời gian: 9g00 thứ sáu 26/08/2022
  • Địa điểm: Phòng F12, Bộ môn Xác suất - Thống kê, Đại học Khoa học Tự nhiên, 227 Nguyễn Văn Cừ, Q. 5, TP. HCM
  • Tóm tắt: Phân tích ROC (Receiver Operating Characteristic) được sử dụng phổ biến trong bài toán đánh giá sự chính xác của các dấu ấn sinh học hoặc xét nghiệm chuẩn đoán trong y sinh; hay các quy tắc phân loại (classifier) trong các bài toán phân loại hay xếp hạng. Được phát triển trong những năm đầu của thế chiến thứ 1, với mục tiêu ban đầu là đánh giá tính chính xác của tính hiệu radar, phân tích ROC được dùng cơ bản để đánh giá các quy tắc phân loại trong các bài toán phân loại hai nhóm (two-class setting). Tuy nhiên, độ phức tạp của các bài toán phân loại đang ngày một tăng lên, khi mà số nhóm cần phân loại là ba hoặc bốn nhóm, thậm chí nhiều hơn bốn nhóm. Mặt khác, độ phức tạp trong cấu trúc của dữ liệu cũng tăng lên, trong đó, các quan sát có thể không độc lập với nhau, hoặc các quy tắc phân loại có thể bị ảnh hưởng bởi các hiệp biến. Để sử dụng phân tích ROC trong nhiều trường hợp phức tạp của dữ liệu, các phương pháp suy luận thống kê cần được cải thiện hoặc làm mới. Bài thuyết trình này nhằm cung cấp một cái nhìn khái quát về phương pháp ROC, các phương pháp thống kê đã được nghiên cứu và phát triển  cho phân tích ROC, cũng như thảo luận về các bài toán mở vẫn cần được giải quyết.

Seminar tháng 07-2022:

 

Bộ môn Xác suất - Thống kê kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và các sinh viên có quan tâm đến tham dự Seminar Xác suất - Thống kê tháng 07/2022 với báo cáo sau: 

  • Tên bài báo cáo: Adaptive variational Bayes: Optimality, computation and applications
  • Báo cáo viên: PGS. TS Lizhen Lin (Department of Applied and Computational Mathematics and Statistics, The University of Notre Dame)
  • Thời gian: 9g30 thứ năm 28/07/2022
  • Địa điểm: Phòng F207, Đại học Khoa học Tự nhiên, 227 Nguyễn Văn Cừ, Q. 5, TP. HCM
  • Tóm tắt: In this talk, we discuss adaptive  statistical inference based on variational Bayes. Although a number of studies have been conducted to analyze theoretical properties such as posterior contraction properties of variational posteriors, there is still a lack of general and computationally tractable variational Bayes methods that can achieve adaptivity and optimal contraction of the variational posterior. We propose a novel  and general variational Bayes framework, called adaptive variational Bayes, which can operate on a collection of models with varying dimensions and structures. The proposed framework combines variational posteriors over individual models with certain weights to obtain a variational posterior over the entire model. It turns out that this combined variational posterior minimizes the Kullback-Leibler divergence to the original posterior distribution. We show that the proposed variational posterior achieves optimal contraction rates adaptively under very general conditions and attains model selection consistency when the true model structure exists. We apply the general results obtained for the adaptive variational Bayes to a large class of statistical models  including deep learning models and derive some new and adaptive inference results. We consider applications of this adaptive variational bayes framework to various  numerical examples including examples on finite mixture modeling and deep neural network models.