Sistemas De Negociação A Prática Guia Para Algorítmica E Trading Systems De Alta Freqüência 2 Edição

Esta cúpula abordará os mais recentes desafios comerciais e tecnológicos que afetam o lado da compra em um cenário financeiro e regulatório em constante mudança, bem como estratégias inovadoras para otimizar a execução comercial, gerenciando riscos e aumentando a eficiência operacional, mantendo os custos ao mínimo. WatersTechnology e Sell-Side Technology têm o prazer de apresentar a 7ª Cúpula anual de arquitetura comercial da América do Norte. Reunindo tecnólogos, arquitetos, desenvolvedores de software e gerentes de centros de dados da comunidade financeira para discutir as últimas questões em tecnologia de negociação. Data: 05 de abril de 2017 New York Marriott Marquis, Nova York Tokyo Financial Information Technology Summit Waters TechnologyInstituto para Engenharia Computacional e Matemática Os cursos oferecidos pelo Instituto de Computação e Engenharia Matemática estão listados no código de assunto CME no site do Stanford Boletins ExploreCourses. A ICME é um instituto interdisciplinar de licenciamento (M. S.Ph. D.) na interseção de matemática, informática, engenharia e ciências aplicadas. O ICME foi fundado em 2004, com base no Programa de Computação Científica e Matemática Computacional (1989). Na ICME, nós projetamos modelos, métodos e algoritmos matemáticos e computacionais de última geração para aplicações de engenharia e ciência. O programa colabora estreitamente com engenheiros e cientistas da academia e da indústria para desenvolver abordagens computacionais aprimoradas e avançar campos disciplinares. Em particular, aproveita a força de Stanford em aplicações de engenharia nas ciências físicas, biológicas, matemáticas e de informação e estabeleceu conexões com quase 20 departamentos em cinco escolas de Stanford. O programa identifica áreas de pesquisa que se beneficiariam de uma abordagem multidisciplinar em que a matemática computacional desempenha um papel. Este ambiente intelectual multidisciplinar é uma força central da ICME, com interação entre estudantes e professores com diversas origens e conhecimentos especializados. Estudantes e professores são ativos em muitas áreas de pesquisa: aerodinâmica e aplicações espaciais, dinâmica de fluidos, dobramento de proteínas, ciência dos dados, incluindo sistemas de aprendizado de máquina e recomendação, dinâmica oceânica, modelagem climática, engenharia de reservatórios, computação gráfica, matemática financeira e muito mais. O programa treina alunos e estudiosos de Stanford em modelos matemáticos, computação científica e algoritmos computacionais avançados nos níveis de graduação e pós-graduação. Os cursos geralmente fornecem fortes bases teóricas para a solução de problemas do mundo real e cálculos numéricos para facilitar a aplicação de técnicas e teorias matemáticas. O treinamento oferecido inclui cálculos matriciais, probabilidade computacional e otimização combinatória, otimização, estocástica, solução numérica de equações diferenciais parciais, algoritmos de computadores paralelos e novos paradigmas de computação, entre outros. A ICME oferece cursos de serviço para estudantes de graduação e estudantes de pós-graduação para cumprir requisitos departamentais, cursos básicos para mestrado e doutorado em Engenharia Computacional e Matemática e eletivas especializadas em diversas áreas de aplicação. O programa de mestrado ICME oferece trilhas especializadas e gerais. Atualmente, o programa está oferecendo trilhas especializadas em Geociências Computacionais, Ciência dos Dados, Ciências da Imagem e Finanças Matemáticas e Computacionais. O programa está planejando implementar uma pista de Medicina Computacional no futuro próximo. Programas de pós-graduação em Engenharia Computacional e Matemática Regulamentos da Universidade que regem o M. S. E Ph. D. Os graus são descritos na seção Graduados de Grau deste boletim. Resultados de Aprendizagem (Graduação) O objetivo do programa de mestrado é proporcionar aos alunos o conhecimento e as habilidades necessárias para uma carreira profissional ou estudos de doutorado. Isso é feito através de cursos em modelagem matemática, computação científica, algoritmos computacionais avançados e um conjunto de cursos de uma área específica de aplicação ou campo. O último inclui geociências computacionais, ciências dos dados, ciências de imagem, finanças matemáticas e computacionais e outras áreas interdisciplinares que combinam matemática avançada com as ciências físicas clássicas ou com problemas interdisciplinares desafiantes emergentes em disciplinas como negócios, biologia, medicina e informação. O Ph. D. É conferido aos candidatos que demonstraram uma bolsa substancial e a capacidade de realizar pesquisas independentes. Através do curso de trabalho e pesquisa orientada, o programa prepara os alunos para fazer contribuições originais em Engenharia Computacional e Matemática e campos relacionados. Mestrado em Engenharia Computacional e Matemática Os requisitos básicos da Universidade para o M. S. O grau é discutido na seção Graduados de Grau deste boletim. Os seguintes são requisitos departamentais específicos. O M. S. Licenciado em Engenharia Computacional e Matemática é destinado a um diploma profissional terminal e não leva ao Ph. D. programa. Os estudantes interessados ​​no programa de doutorado devem se candidatar diretamente ao Ph. D. programa. Os alunos de mestrado que mantiveram uma média mínima de nota (GPA) de 3,5 são elegíveis para receber o Ph. D. Exame de qualificação aqueles que passam este exame e asseguram um conselheiro de pesquisa (três quartos da pesquisa documentada contínua) podem continuar no Ph. D. Programa após aceitação pelo instituto. Os candidatos prospectivos devem consultar as Admissões de Pós-Graduação e as páginas da ICME para informações completas sobre requisitos de admissão e prazos. Pré-requisitos Os cursos fundamentais em matemática e computação podem ser necessários como pré-requisitos para outros cursos no programa. Verifique os pré-requisitos de cada curso requerido. Os cursos preparatórios recomendados incluem cursos avançados de graduação em álgebra linear e probabilidades, e cursos introdutórios em PDEs, estocásticos, métodos numéricos e proficiência em programação. Aplicações ao M. S. O programa e todos os documentos comprovativos devem ser enviados e recebidos on-line até 10 de janeiro de 2017, o prazo publicado na página da ICME. Programa de mestrado Coterminal Os estudantes de graduação de Stanford que desejem candidatar-se ao grau de mestrado de coterminal devem apresentar sua candidatura o mais tardar oito semanas antes do início do trimestre de admissão proposto. O pedido deve evidenciar que o aluno possui um potencial de desempenho acadêmico forte no nível de pós-graduação. Graduate Record Examination (GRE) Os resultados gerais do teste são necessários para a revisão da aplicação. Um aluno é elegível para se inscrever uma vez que as seguintes condições foram atendidas: conclusão de seis trimestres não-verão em Stanford ou dois trimestres não-verão em Stanford para a conclusão da conclusão dos alunos de 120 unidades para a graduação (UTG) conforme demonstrado na graduação Transcrição, incluindo transferência, exame de posicionamento avançado e outra declaração de crédito de teste externo de uma universidade de graduação Requisitos de Coterminal da Universidade Os candidatos a diplomas de mestrado em Coterminal devem completar todos os requisitos de mestrado conforme descrito neste boletim. Os requisitos universitários para o grau de mestrado coterminal são descritos na seção Programa de mestrado Coterminal. Os requisitos universitários para o grau de mestrado são descritos na seção QuotGraduate Degrees deste boletim. Depois de aceitar a admissão neste programa de graduação de mestrado coterminal, os alunos podem solicitar transferência de cursos da graduação para a carreira de pós-graduação para satisfazer os requisitos para o mestrado. A transferência de cursos para a carreira de pós-graduação exige revisão e aprovação dos programas de graduação e pós-graduação caso a caso. Neste programa de mestrado, os cursos realizados dois trimestres antes do primeiro trimestre de pós-graduação, ou mais tarde, são elegíveis para consideração pela transferência para a carreira de pós-graduação. Nenhum curso realizado antes do primeiro trimestre do ano de segundo ano pode ser usado para atender aos requisitos de mestrado. As transferências de cursos não são possíveis após o diploma de bacharel ter sido conferido. A Universidade exige que o conselheiro de pós-graduação seja atribuído no primeiro trimestre de graduação dos alunos, embora a carreira de graduação ainda esteja aberta. A Universidade também exige que a Proposta do Programa de Mestrado seja completada pelo aluno e aprovada pelo departamento até o final do primeiro trimestre de graduação dos alunos. Requisitos para o Mestrado em Engenharia Computacional e Matemática O programa de mestrado consiste em 45 unidades de curso de trabalho realizadas em Stanford. Nenhuma tese é necessária no entanto, os alunos podem se envolver em projetos de pesquisa durante o programa de mestrado, particularmente para explorar o interesse em continuar com o programa de doutorado. Embora não exista um requisito de fundo específico, é necessária uma exposição significativa ao trabalho do curso de matemática e engenharia para a conclusão bem-sucedida do programa. Existem cinco faixas no programa de mestrado: Geociências computacionais gerais do CME (veja o site de Geociências computacionais para obter mais informações) Ciência de dados Ciência de imagens Finanças matemáticas e computacionais CME geral Esta faixa é projetada para estudantes interessados ​​em estudar e desenvolver ferramentas computacionais naqueles Aspectos da matemática aplicada central à modelagem nas ciências físicas e de engenharia. O currículo consiste em cursos básicos de engenharia computacional e matemática e trabalho de programação de curso, extensões amplas e profundas, e seminários. Os cursos básicos fornecem instruções em ferramentas matemáticas e computacionais aplicáveis ​​a uma ampla gama de disciplinas científicas, industriais e de engenharia e aumentam escolhas de largura e profundidade das que escolhem. O requisito de programação garante a proficiência em computação científica e habilidades informáticas profissionais. Os seminários destacam pesquisas emergentes em engenharia e ciências. Requisitos Um candidato é necessário para completar um programa de 45 unidades de cursos com 200 ou mais. Cursos abaixo do nível 200 requerem aprovação especial do escritório do programa. Pelo menos 36 destes devem ser unidades classificadas, passadas com uma média de nota (GPA) de 3,0 (B) ou superior. Os alunos de mestrado interessados ​​em continuar com o programa de doutorado devem manter uma média pontual de 3,5 ou mais no programa. Requisito 1: Fundacional (12 unidades) Os alunos devem demonstrar conhecimentos fundamentais no campo completando quatro dos seis cursos principais. Os cursos nesta área devem ser tomados para notas de letras. Os desvios do currículo básico devem ser justificados por escrito e aprovados pelo conselheiro dos alunos ICME e pela presidente do comitê do currículo do ICME. Os cursos que são renunciados podem não ser contados para o mestrado. Requisito 5: Seminário (3 unidades) Duas unidades de seminários devem vir de CME 500 e 510, uma unidade depende da escolha de estudantes dos seminários de graduação da ICME ou de outros seminários aprovados. As unidades de seminário adicionais podem não ser contadas em relação ao requisito de 45 unidades. Rastreamento de geociências computacionais A trilha de Geociências computacionais (CompGeo) é projetada para estudantes interessados ​​nas habilidades e conhecimentos necessários para desenvolver soluções numéricas eficientes e robustas para problemas de Ciência da Terra usando computação de alto desempenho. O currículo da CompGeo baseia-se em quatro áreas fundamentais: métodos de programação modernos para Ciência e Engenharia, matemática aplicada com ênfase em métodos numéricos, algoritmos e arquiteturas para computação de alto desempenho e cursos de Ciências da Terra orientadas computacionalmente. Os cursos de projetos de Ciência da Terra fornecem prática na aplicação de metodologias e conceitos. Os alunos do CompGeo são obrigados a completar eletivas de aplicação gerais e focadas (Requisitos 2 e 3) da lista aprovada de cursos do programa de Geociências Computacionais, bem como completar o seminário EARTHSYS 310 como parte do Requisito 5. Todos os demais requisitos permanecem os mesmos que estabelecidos acima. Nota: Estudantes interessados ​​em buscar o ICME M. S. Na faixa de Geociências Computacionais (CompGeo) é encorajado a entrar em contato com o Diretor do Programa de Geociências Computacionais antes de aplicar. Os alunos são obrigados a tomar 45 unidades de curso de trabalho, e pesquisar créditos para ganhar um M. S. Em Engenharia Computacional e Matemática com o rastreamento de Geociências Computacionais. O curso segue os requisitos do ICME M. S. Grau acima, com restrições adicionais colocadas nas eletivas gerais e focadas. Requisito 1: Fundacional (12 unidades) Idêntico ao requisito geral de trilha do Mestre da CME. Requisito 2: Breastth Electives in Geosciences (18 unidades) O M. S. A faixa CompGeo requer 18 unidades, é claro, trabalham nas Geociências. Atualmente, os cursos são oferecidos, mas não estão limitados às seguintes áreas específicas da Escola de Ciências da Terra: Simulação de reservatórios Imagem de imagens geofísicas TectonofísicaGeomecânica ClimaAtémósfera Ecologia de OceanoGeobiologia. Os cursos de Ciências da Terra, oferecidos em EESS, ERE, GES e Geofísica, são selecionados com base na área de interesse dos estudantes e no trabalho de pesquisa, juntamente com o conselho e o conselho do aluno. Os alunos são encorajados a escolher uma variedade de cursos para garantir a amplitude do conhecimento em Ciências da Terra. Um máximo de um curso não-computacional orientado pode ser contado para os requisitos de mestrado. A seguir está uma lista de cursos recomendados (agrupados por área) que podem ser realizados para cumprir o requisito do curso de Geociências. Projeto de pesquisa Estudantes que planejam candidatar-se ao Ph. D. O programa precisa levar 9 unidades de pesquisa. Os alunos trabalharão com o diretor do programa CompGeo para encontrar um conselheiro e um tópico de pesquisa apropriados e, em seguida, inscrever-se no EARTHSCI 400: Pesquisa direcionada (ou um curso de pesquisa SES similar). O resultado bem sucedido de um projeto de pesquisa pode ser: uma apresentação oral em uma reunião internacional que exige um resumo ampliado de uma publicação em um periódico revisado pelos pares. Um relatório escrito Estágio Como uma alternativa aos alunos do Projeto de Pesquisa, a opção de um estágio é recomendada para estudantes interessados ​​em um diploma de terminal. O aluno individual é responsável por garantir e organizar o estágio e é necessário para obter um conselheiro de faculdade e enviar um relatório escrito sobre o projeto de estágio. O crédito para o estágio será obtido através da EARTHSCI401: Treinamento Prático Curricular (1 unidade) e neste caso apenas 8 unidades de pesquisa são necessárias. Requisito 4: Programação (3 unidades) 3 unidades de curso de programação demonstrando proficiência de programação. Todos os estudantes de pós-graduação no programa são obrigados a completar o curso de programação para o grau de letra. Proficiência de programação no nível de CME 211 é um pré-requisito difícil para CME 212 estudantes podem SOMENTE colocar fora de CME 211 com prévia aprovação por escrito. O CME 211 pode ser aplicado ao requisito eletivo. Requisito 5: Seminário (3 unidades) 3 unidades de seminários de pós-graduação da ICME ou outros seminários aprovados. As unidades de seminário adicionais podem não ser contadas em relação ao requisito de 45 unidades. Um dos seminários necessários para o CompGeo deve ser um curso de seminário escolhido em conjunto com o conselheiro acadêmico dos estudantes dos seminários oferecidos pela Escola de Ciências da Terra, Energia e Meio Ambiente (1 unidade). Rastreamento de Ciência de Dados A faixa de Ciência de Dados desenvolve sólidas habilidades matemáticas, estatísticas, computacionais e de programação através dos requisitos fundamentais e de programação. Além disso, fornece uma educação fundamental em ciência dos dados através de requisitos eletivos gerais e focados de cursos em ciências de dados e áreas relacionadas. As escolhas do curso são limitadas a cursos pré-definidos do grupo de ciências de dados e cursos relacionados. O requisito de programação (requisito 4) é estendido para 6 unidades e inclui o trabalho do curso em programação científica avançada e computação de alto desempenho. O requisito final é um componente prático (requisito 5) para 6 unidades a serem concluídas através do projeto capstone, clínica de ciência de dados ou outros cursos que possuem componentes práticos ou práticos fortes, como consultoria estatística. Requisito 1: Fundacional (12 unidades) Os alunos devem demonstrar conhecimentos fundamentais no campo, completando os seguintes cursos principais. Os cursos nesta área devem ser tomados para notas de letras. Os desvios do currículo básico devem ser justificados por escrito e aprovados pelo conselheiro dos alunos ICME e pela presidente do comitê do currículo do ICME. Os cursos que são renunciados podem não ser contados para o mestrado. Requisito 4: Programação científica avançada e núcleo de computação de alto desempenho (6 unidades) Para garantir que os alunos tenham uma base sólida na programação, 3 unidades de programação científica avançada para grau de letra no nível de CME 212 e três unidades de computação paralela para notas de letras é requerido. A proficiência de programação ao nível do CME 211 é um pré-requisito difícil para o CME 212 que os estudantes só podem colocar fora de 211 com aprovação prévia por escrito. O CME 211 pode ser aplicado ao requisito eletivo. Requisito 5: Componente prático (6 unidades) Os alunos devem levar 6 unidades de componente prático que podem incluir qualquer combinação de: Um projeto de capstone, supervisionado por um membro do corpo docente e aprovado pelo comitê de direção. O projeto capstone deve ser de natureza computacional. Os alunos devem enviar uma proposta de uma página, apoiada pelo membro do corpo docente, aos serviços de estudantes da ICME para aprovação pelo menos um quarto antes. Laboratórios de projetos oferecidos pelo Stanford Data Lab: ENGR 150 Data Challenge Lab. ENGR 350 Data Impact Lab. Outros cursos que possuem um forte componente prático e prático, como STATS 390 Consulting Workshop até 1 unidade. Rastreamento de Ciência da imagem A trilha da Ciência da Imagem foi projetada para estudantes interessados ​​nas habilidades e conhecimentos necessários para desenvolver ferramentas computacionais eficientes e robustas para a ciência da imagem. O currículo é baseado em quatro áreas fundamentais: modelos matemáticos e análises para ciências de imagem e problemas inversos, ferramentas e técnicas de ciências modernas de imagens de medicina, biologia, química física e ciências da terra, algoritmos em métodos numéricos e computação científica e habilidades de computação de alto desempenho. E arquitetura orientada para as ciências da imagem. O curso segue os requisitos do grau de mestrado geral no requisito do curso básico. Os requisitos eletivos gerais e focados (requisitos 2 e 3 abaixo) estão limitados aos cursos aprovados listados abaixo. O requisito de programação (requisito 4) é estendido para 6 unidades e inclui o trabalho do curso em programação científica avançada e computação de alto desempenho. Requisito 1: Fundacional (12 unidades) Idêntico ao programa geral de mestrado em ICME ver acima. Requisito 2: Questões eletivas de Ciências da Imagem (18 unidades) As eletivas eletivas de Ciências da Imagem devem demonstrar grandeza de conhecimento na área técnica. A lista de cursos eletivos é definida. Cursos fora desta lista podem ser aceitos como disciplinas eletivas sujeitas a aprovação. As petições para aprovação devem ser submetidas aos serviços de estudantes. Requisito 5: Seminário (3 unidades) Duas unidades de seminários devem vir de CME 500 e CME 510, uma unidade depende da escolha de estudantes dos seminários de graduação da ICME ou de outros seminários aprovados. As unidades de seminário adicionais podem não ser contadas em relação ao requisito de 45 unidades. Finanças Matemática e Computacional Acompanhar a faixa de Matemática de Finanças Computacionais (MCF) é um programa interdisciplinar que fornece educação em matemática aplicada e computacional, estatísticas e aplicações financeiras para indivíduos com fortes habilidades matemáticas. Após a conclusão bem-sucedida da faixa MCF no programa de mestrado ICME, os alunos estarão preparados para assumir posições no setor financeiro como cientistas de dados e informações, estrategistas quantitativos, gerentes de risco, reguladores, tecnólogos financeiros ou continuar em seu Ph. D. . Em ICME, MSAMPE, Matemática, Estatística, Finanças e outras disciplinas. O Instituto de Engenharia Computacional e Matemática, em estreita cooperação com Matemática, Ciência da Gestão e Engenharia e Estatística, oferece muitos dos cursos básicos. Todas as 45 unidades devem ser tomadas apenas para a letra. Nota: Esta nova faixa no programa de mestrado ICME substitui, a partir do trimestre de Outono de 2014, o programa de mestrado interdisciplinar (IDP) em Matemática Financeira na Faculdade de Ciências Humanas de Ciências. Requisito 1: Fundacional (9 unidades) Os alunos devem demonstrar conhecimentos fundamentais no campo, completando os seguintes cursos principais. Os cursos nesta área devem ser tomados para notas de letras. Os desvios do currículo básico devem ser justificados por escrito e aprovados pelo conselheiro dos alunos ICME e pela presidente do comitê do currículo do ICME. Os cursos que são renunciados podem não ser contados para o grau de mestrado. Requisito 4: Programação científica avançada e núcleo de computação de alto desempenho (6 unidades) Para garantir que os alunos tenham uma base sólida na programação, três unidades de programação avançada para o grau de letra no nível de CME 212 e 3 unidades de computação paralela para a letra são requeridos. A proficiência de programação ao nível do CME 211 é um pré-requisito difícil para o CME 212 que os alunos só podem fazer parte do CME 211 com aprovação prévia por escrito. O CME 211 pode ser aplicado para requisitos eletivos. Programação científica avançada leva 3 unidades Desenvolvimento de software avançado para cientistas e engenheiros Projeto de software em Fortran moderno para cientistas e engenheiros Paralelo Computador toma 3 unidades Introdução à computação paralela usando MPI, OpenMP e CUDA Algoritmos Distribuídos e Otimização Métodos Paralelos em Análise Numérica Arquitetura de Computador Paralela E Programação Sistemas Multi-Core Avançados Requisito 5: Componente Prático (6 unidades) Os alunos devem levar 6 unidades de componente prático para a letra: Curso de Projeto em Finanças Matemáticas e Computacionais Inteligência Artificial em Tecnologia Financeira Doutor em Filosofia em Engenharia Computacional e Matemática Os requisitos básicos da universidade para o Ph. D. O grau é descrito na seção quotGraduate Degreesquot deste boletim. Aplicações para o Ph. D. O programa e todos os documentos comprovativos necessários devem ser recebidos até 6 de dezembro de 2016. Consulte Admissões de graduação para informações e materiais de aplicação. Consulte o site de admissões dos departamentos para obter detalhes adicionais. Os candidatos devem levar o exame de registro de graduação em outubro do ano lectivo em que o pedido foi submetido. Admissão ao Ph. D. Programa não implica que o aluno seja um candidato para o Ph. D. grau. O avanço da candidatura requer um desempenho acadêmico superior e a aprovação do exame de qualificação. Requisitos Termine um mínimo de 135 unidades de residência em Stanford, incluindo: 45 unidades dos requisitos do programa de mestrado, todos os seis cursos principais devem ser preenchidos para o grau de letra. 27 unidades de eletivas para grau de letra em uma área planejada com os estudantes Ph. D. O conselheiro 12 dessas unidades deve vir de eletivas especializadas da ICME com conteúdo computacional significativo, como a série CME 320-380. O componente eletivo focado e especializado do programa ICME deve ser amplo e incluir cursos relevantes de rigor comparável aos cursos ICME. A lista de cursos eletivos que se seguem representa aceites aceitos automaticamente dentro do programa. No entanto, as opções eletivas não se limitam à lista abaixo, e a lista é expandida de forma contínua, os cursos fora da lista podem ser aceitos como eleições eletivas, sujeitas à aprovação do conselheiro ICME dos estudantes. Estudos de pesquisa, estudo direcionado e seminário estão excluídos. 3 unidades de programação eletiva demonstrando proficiência de programação. Os alunos são obrigados a completar o curso de programação ao nível do CME 213 Introdução à computação paralela usando MPI, openMP e CUDA ou superior para o grau de letra. 60 unidades de pesquisa de tese Manter uma média pontuação (GPA) de 3,5. Passe o exame de qualificação ICME antes do início do segundo ano. Complete um programa aprovado de pesquisa original. Complete uma dissertação escrita baseada em pesquisa. Passar o exame oral que é uma defesa da pesquisa de dissertação. Lista Eletiva Especializada Veja o requisito 1b acima. Nota: Estudantes que precisam completar 135 unidades em Stanford, devem necessariamente completar os requisitos de mestrado da CME. Todos os cursos listados sob quotRequirement 2quot sob o quotMaster of Science in Computational and Mathematical Engineering quot seção podem ser usados ​​para cumprir o requisito eletivo geral. Assistência financeira O departamento atribui um número limitado de bolsas de estudo, assistenciais de cursos e assistentes de pesquisa para estudantes de pós-graduação recebidos. Solicitar essa assistência faz parte da apresentação do pedido de admissão ao programa. Os estudantes são nomeados para assistentes de meio período que fornecem uma bolsa de matrícula na taxa de unidade de 8, 9, 10 durante o ano lectivo e um salário mensal. As consultas de meio período geralmente requerem 20 horas de trabalho por semana. A maioria dos assistentes de estudos e assistenciais de pesquisa são concedidos aos estudantes do programa de doutorado na ICME. Se o número de Ph. D. Os estudantes não são suficientes para capacitar todos os cargos de assistentes de curso e pesquisa disponíveis, esses cargos podem estar abertos para estudantes de mestrado. No entanto, estudantes de mestrado não recebem assistência financeira garantida. Ph. D. Menor em Engenharia Computacional e Matemática Para um menor em Engenharia Computacional e Matemática (CME), um candidato a doutorado deve completar 21 unidades de cursos aprovados de pós-graduação. Estes devem incluir três cursos essenciais ICME e três eletivas de pós-graduação ICME no nível 300 ou superior e um curso de programação ao nível de CME212 ou superior. Todos os cursos devem ser tomados para uma nota de letra e passados ​​com um grau de B ou melhor. Os cursos eletivos não podem ser cruzados com o departamento principal. Os programas menores devem ser desenvolvidos em estreita discussão entre o aluno e os alunos do primeiro grau. conselheiro. Emeriti: (Professores) Gunnar Carlsson (Matemática), Joe Keller (Matemática, Engenharia Mecânica), (Professores, Investigação) Walter Murray (Gestão de Ciência e Engenharia), Arogyaswami Paulraj (Engenharia Elétrica) Diretor: Margot Gerritsen (Energy Resources Engineering) Co - Diretor: Gianluca Iaccarino (Engenharia Mecânica) Professores: Juan Alonso (Aeronáutica e Astronáutica), Biondo Biondi (Geofísica), Stephen Boyd (Engenharia Elétrica), Emanuel Candes (Matemática, Estatística), Persi Diaconis (Matemática, Estatística), David Donoho (Estatística), Charbel Farhat (Aeronáutica e Astronáutica, Engenharia Mecânica), Ronald Fedkiw (Ciência da Computação), Peter Glynn (Ciência e Engenharia de Gestão), Ashish Goel (Gestão de Ciência e Engenharia), Leonidas Guibas (Computer Science), Pat Hanrahan ( Ciência da Computação, Engenharia Elétrica), Jerry Harris (Geofísica), Trevor Hastie (Matemática, Estatística), Doug James (Ciência da Computação), Peter Kitanidis (Civil and Envi Engenharia de Engenharia), Tze Leung Lai (Estatística), Sanjiva Lele (Engenharia Mecânica, Aeronáutica e Astronáutica), Parviz Moin (Engenharia Mecânica), Brad Osgood (Engenharia Elétrica), Vijay Pande (Química), George Papanicolaou (Matemática), Peter Pinsky (Engenharia Mecânica), Lenya Ryzhik (Matemática), Eric Shaqfeh (Engenharia Química, Engenharia Mecânica), Jonathan Taylor (Estatística), Hamdi Tchelepi (Engenharia de Recursos Energéticos), Benjamin Van Roy (Gestão de Ciência e Engenharia, Engenharia Elétrica), Andras Vasy (Matemática, Instituto de Engenharia Computacional e Matemática) Professores Associados: Eric Darve (Engenharia Mecânica), Instituto de Engenharia de Computação e Matemática (Matemática, Instituto de Computação e Engenharia Matemática), Lawrence Wein (Graduate School of Business), Wing Wong (Estatística), Yinyu Ye. Ron Dror (CS, Instituto de Engenharia Computacional e Matemática), Eric Dunham (Geofísica), Oliver Fringer (Engenharia Civil e Ambiental), Margot Gerritsen (E Engenharia de Recursos de Nergy), Kay Giesecke (Gestão de Ciência e Engenharia), Gianluca Iaccarino (Engenharia Mecânica), Ramesh Johari (Administração de Ciência e Engenharia), Adrian Lew (Engenharia Mecânica), Alison Marsden (Pediatria, Bioengenharia), Amin Saberi (Management Science E Engenharia), Andrew Spakowitz (Engenharia Química) Professores Assistentes: Marco Pavone (Aeronáutica e Astronáutica), Bala Rajaratnam (Estatística, Ciências Ambientais e do Sistema da Terra), Jenny Suckale (Geofísica) Professores (Pesquisa): Antony Jameson (Aeronáutica e Astronáutica) Michael A. Saunders (Diretor de Ciências e Engenharia) Professor sênior: Vadim Khayms Professor: Hung Le Adjunto Professor: Reza Bosagh-Zadeh Pessoal Acadêmico: William Behrman, Nicholas Henderson, Kapil Jain Cursos de interesse para os alunos do departamento podem incluir: CME16020Q . Modelagem Computacional para Líderes Futuros. 3 Unidades. Preferência para estudantes de segundo ano. Como podemos aproveitar e explorar o poder da modelagem computacional. Quais são as responsabilidades no desenvolvimento e uso de modelos de computador. Neste curso, analisaremos questões fundamentais inerentes à modelagem computacional, como incerteza, previsibilidade, erro e resolução. Além disso, analisaremos o contexto social da modelagem computacional, incluindo a percepção pública de modelos computacionais, como a modelagem computacional afeta políticas e políticas, e como a política e a política, por sua vez, influenciam a modelagem computacional. CME160100. Vector Calculus for Engineers. 5 Unidades. Computação e visualização usando MATLAB. Cálculo de vetor diferencial: geometria analítica no espaço, funções de várias variáveis, derivadas parciais, gradiente, maxima e minima sem restrições, multiplicadores Lagrange. Introdução à álgebra linear: operações matriciais, sistemas de equações algébricas, métodos de solução e aplicações. Cálculo de vetor integral: integrais múltiplas em coordenadas cartesianas, cilíndricas e esféricas, integrais de linha, potencial escalar, integrais de superfície, Verdes, divergência e teoremas de Stokes. Exemplos e aplicativos extraídos de vários campos de engenharia. Pré-requisitos: 10 unidades de crédito AP (Calc BC com 4 ou 5, ou Calc AB com 5), ou MATH16041 e 42. Igual a: ENGR160154 CME160100A. Vector Calculus for Engineers, ACE. 6 Unidades. Os alunos participam das conferências CME100ENGR154 com sessões de recitação adicionais de duas a quatro horas por semana, enfatizando as aplicações matemáticas de engenharia e os métodos de colaboração. Inscrição apenas por permissão de departamento. Pré-requisito: deve ser inscrito no CME100-01 ou 02 regular. Aplicação em: engineering. stanford. edustudentsprogramsengineering-diversity-programsadditional-calculus-engineers. CME160102. Equações diferenciais ordinárias para engenheiros. 5 Unidades. Métodos analíticos e numéricos para a resolução de equações diferenciais ordinárias decorrentes de aplicações de engenharia: Solução de problemas de valor inicial e de limite, soluções em série, transformações de Laplace e equações não-lineares métodos numéricos para resolver equações diferenciais ordinárias, precisão de métodos numéricos, teoria da estabilidade linear, diferenças finitas . Introdução à programação MATLAB como um kit de ferramentas básico para cálculos. Problemas de vários campos de engenharia. Prerequisite: 10 units of AP credit (Calc BC with 4 or 5, or Calc AB with 5), or MATH16041 and 42. Recommended: CME100. Same as: ENGR160155A CME160102A. Ordinary Differential Equations for Engineers, ACE. 6 Units. Students attend CME102ENGR155A lectures with additional recitation sessions two to four hours per week, emphasizing engineering mathematical applications and collaboration methods. Prerequisite: students must be enrolled in the regular section (CME102) prior to submitting application at:nengineering. stanford. edustudentsprogramsengineering-diversity-programsadditional-calculus-engineers. CME160103. Introduction to Matrix Methods. 3-5 Units. Introduction to applied linear algebra with emphasis on applications. Vectors, norm, and angle linear independence and orthonormal sets applications to document analysis. Clustering and the k-means algorithm. Matrices, left and right inverses, QR factorization. Least-squares and model fitting, regularization and cross-validation. Constrained and nonlinear least-squares. Applications include time-series prediction, tomography, optimal control, and portfolio optimization. Prerequisites:MATH16051 or CME160100. and basic knowledge of computing (CS160106A is more than enough, and can be taken concurrently). EE103CME103 and MATH160104 cover complementary topics in applied linear algebra. The focus of EE103 is on a few linear algebra concepts, and many applications the focus of MATH160104 is on algorithms and concepts. Same as: EE160103 CME160104. Linear Algebra and Partial Differential Equations for Engineers. 5 Units. Linear algebra: matrix operations, systems of algebraic equations, Gaussian elimination, undetermined and overdetermined systems, coupled systems of ordinary differential equations, eigensystem analysis, normal modes. Fourier series with applications, partial differential equations arising in science and engineering, analytical solutions of partial differential equations. Numerical methods for solution of partial differential equations: iterative techniques, stability and convergence, time advancement, implicit methods, von Neumann stability analysis. Examples and applications from various engineering fields. Prerequisite: CME160102 ENGR160155A . Same as: ENGR160155B CME160104A. Linear Algebra and Partial Differential Equations for Engineers, ACE. 6 Units. Students attend CME104ENGR155B lectures with additional recitation sessions two to four hours per week, emphasizing engineering mathematical applications and collaboration methods. Prerequisite: students must be enrolled in the regular section (CME102) prior to submitting application at: engineering. stanford. edustudentsprogramsengineering-diversity-programsadditional-calculus-engineers. CME160106. Introduction to Probability and Statistics for Engineers. 4 Units. Probability: random variables, independence, and conditional probability discrete and continuous distributions, moments, distributions of several random variables. Topics in mathematical statistics: random sampling, point estimation, confidence intervals, hypothesis testing, non-parametric tests, regression and correlation analyses applications in engineering, industrial manufacturing, medicine, biology, and other fields. Prerequisite: CME160100 ENGR154 or MATH16051 or 52. Same as: ENGR160155C CME160108. Introduction to Scientific Computing. 3-4 Units. Introduction to Scientific Computing Numerical computation for mathematical, computational, physical sciences and engineering: error analysis, floating-point arithmetic, nonlinear equations, numerical solution of systems of algebraic equations, banded matrices, least squares, unconstrained optimization, polynomial interpolation, numerical differentiation and integration, numerical solution of ordinary differential equations, truncation error, numerical stability for time dependent problems and stiffness. Implementation of numerical methods in MATLAB programming assignments. Prerequisites: MATH16051. 52, 53 prior programming experience (MATLAB or other language at level of CS160106A or higher). Graduate students should take it for 3 units and undergraduate students should take it for 4 units. Same as: MATH160114 CME160151. Introduction to Data Visualization. 1 Unit. Bring your data to life with beautiful and interactive visualizations. This course is designed to provide practical experience on combining data science and graphic design to effectively communicate knowledge buried inside complex data. Each lecture will explore a different set of free industry-standard tools, for example d3.js, three. js, ggplots2, and processing enabling students to think critically about how to architect their own interactive visualization for data exploration, web, presentations, and publications. Geared towards scientists and engineers, and with a particular emphasis on web, this course assumes an advanced background in programming methodology in multiple languages (particularly R and Javascript). Assignments are short and focus on visual experimentation with interesting data sets or the students own data. Topics: data, visualization, web. Prerequisites: some experience with general programming is required to understand the lectures and assignments. CME160161. Interactive Data Visualization. 3 Units. Provides practical experience on combining data science and graphic design to effectively communicate knowledge buried inside complex data. Topics: data, visualization and web will explore different sets of free industry-standard tools, for example d3.js, three. js, and processing. js enabling students to think critically about how to architect their own interactive visualization for data exploration, web, presentations, and publications. Advanced topics including immersive 3D visualization using Google Cardboard and dynamic visualization using sensors are explored. Assignments are interactive online tutorials that focus on visual experimentation with interesting data sets or the students own data. Prerequisites: intermediate level programming experience is required to understand the lectures and assignments. CME160181. Projects in Applied and Computational Mathematics. 3 Units. Teams of students use techniques in applied and computational mathematics to tackle problems of their choosing. Students will have the opportunity to pursue open-ended projects in a variety of areas: economics, physics, political science, operations research, etc. Projects can cover (but are not limited to) topics such as mathematical modeling of real-world phenomena (population dynamics), data-driven applications (movie recommendations) or complex systems in engineering (optimal control). Each team will be paired with a graduate student mentor working in applied and computational mathematics. Limited enrollment. Prerequisites: CME160100 102104 or equivalents, or instructor consent. Recommended: CME160106 108 and familiarity with programming at the level of CME160192 193. CME160192. Introduction to MATLAB. 1 Unit. This short course runs for the first eight weeks of the quarter and is offered each quarter during the academic year. It is highly recommended for students with no prior programming experience who are expected to use MATLAB in math, science, or engineering courses. It will consist of interactive lectures and application-based assignments. nThe goal of the short course is to make students fluent in MATLAB and to provide familiarity with its wide array of features. The course covers an introduction of basic programming concepts, data structures, and controlflow and an introduction to scientific computing in MATLAB, scripts, functions, visualization, simulation, efficient algorithm implementation, toolboxes, and more. CME160193. Introduction to Scientific Python. 1 Unit. This short course runs for the first four weeks of the quarter. It is recommended for students who are familiar with programming at least at the level of CS106A and want to translate their programming knowledge to Python with the goal of becoming proficient in the scientific computing and data science stack. Lectures will be interactive with a focus on real world applications of scientific computing. Technologies covered include Numpy, SciPy, Pandas, Scikit-learn, and others. Topics will be chosen from Linear Algebra, Optimization, Machine Learning, and Data Science. Prior knowledge of programming will be assumed, and some familiarity with Python is helpful, but not mandatory. CME160194. Introduction to MPI. 1 Unit. This short course runs for the first four weeks of the quarter. Recommended for students interested in writing parallel programs. Focus is on distributed memory programming via the Message Passing Interface (MPI). Topics include: parallel decomposition, basic communication primitives, collective operations, and debugging. Interactive lectures and homework assignments require writing software. Students should be comfortable and interested in writing software in CC but no prior parallel programming experience is required. CME160195. Introduction to R. 1 Unit. This short course runs for the first four weeks of the quarter and is offered in fall and spring. It is recommended for students who want to use R in statistics, science, or engineering courses and for students who want to learn the basics of R programming. The goal of the short course is to familiarize students with Rs tools for scientific computing. Lectures will be interactive with a focus on learning by example, and assignments will be application-driven. No prior programming experience is needed. Topics covered include basic data structures, File IO, graphs, control structures, etc, and some useful packages in R. Same as: STATS160195 CME160196. Practical Fortran. 1 Unit. A five-week short course presenting the use of the Fortran programming language in science and engineering. Topics covered: basic language elements good programming practices testing and debugging verification and validation differences between Fortran-77 and Fortran-90 (95, 03, 08) calling numerical software libraries such as LAPACK calling Fortran routines from C or C performance considerations. The course will be centered around solving real computational problems, emphasizing practice over theory. Programming proficiency in CC, or other modern compiled language, is required. Familiarity with the GNU development tools (compilers, debuggers, makefiles, etc.) is assumed. Prerequisites: CME160211 or equivalent. CME160200. Linear Algebra with Application to Engineering Computations. 3 Units. Computer based solution of systems of algebraic equations obtained from engineering problems and eigen-system analysis, Gaussian elimination, effect of round-off error, operation counts, banded matrices arising from discretization of differential equations, ill-conditioned matrices, matrix theory, least square solution of unsolvable systems, solution of non-linear algebraic equations, eigenvalues and eigenvectors, similar matrices, unitary and Hermitian matrices, positive definiteness, Cayley-Hamilton theory and function of a matrix and iterative methods. Prerequisite: familiarity with computer programming, and MATH51. Same as: ME160300A CME160204. Partial Differential Equations in Engineering. 3 Units. Geometric interpretation of partial differential equation (PDE) characteristics solution of first order PDEs and classification of second-order PDEs self-similarity separation of variables as applied to parabolic, hyperbolic, and elliptic PDEs special functions eigenfunction expansions the method of characteristics. If time permits, Fourier integrals and transforms, Laplace transforms. Prerequisite: CME160200 ME160300A. equivalent, or consent of instructor. Same as: ME160300B CME160206. Introduction to Numerical Methods for Engineering. 3 Units. Numerical methods from a users point of view. Lagrange interpolation, splines. Integration: trapezoid, Romberg, Gauss, adaptive quadrature numerical solution of ordinary differential equations: explicit and implicit methods, multistep methods, Runge-Kutta and predictor-corrector methods, boundary value problems, eigenvalue problems systems of differential equations, stiffness. Emphasis is on analysis of numerical methods for accuracy, stability, and convergence. Introduction to numerical solutions of partial differential equations Von Neumann stability analysis alternating direction implicit methods and nonlinear equations. Prerequisites: CME160200 ME160300A. CME160204 ME160300B . Same as: ME160300C CME160207. Numerical Methods in Engineering and Applied Sciences. 3 Units. Scientific computing and numerical analysis for physical sciences and engineering. Advanced version of CME206 that, apart from CME206 material, includes nonlinear PDEs, multidimensional interpolation and integration and an extended discussion of stability for initial boundary value problems. Recommended for students who have some prior numerical analysis experience. Topics include: 1D and multi-D interpolation, numerical integration in 1D and multi-D including adaptive quadrature, numerical solutions of ordinary differential equations (ODEs) including stability, numerical solutions of 1D and multi-D linear and nonlinear partial differential equations (PDEs) including concepts of stability and accuracy. Prerequisites: linear algebra, introductory numerical analysis (CME160108 or equivalent). Same as: AA160214A. GEOPHYS160217 CME160211. Software Development for Scientists and Engineers. 3 Units. Basic usage of the Python and CC programming languages are introduced and used to solve representative computational problems from various science and engineering disciplines. Software design principles including time and space complexity analysis, data structures, object-oriented design, decomposition, encapsulation, and modularity are emphasized. Usage of campus wide Linux compute resources: login, file system navigation, editing files, compiling and linking, file transfer, etc. Versioning and revision control, software build utilities, and the LaTeX typesetting software are introduced and used to help complete programming assignments. Prerequisite: introductory programming course equivalent to CS160106A or instructor consent. Same as: EARTH160211 CME160212. Advanced Software Development for Scientists and Engineers. 3 Units. Advanced topics in software development, debugging, and performance optimization are covered. The capabilities and usage of common libraries and frameworks such as BLAS, LAPACK, FFT, PETSc, and MKLACML are reviewed. Computer representation of integer and floating point numbers, and interoperability between CC and Fortran is described. More advanced software engineering topics including: representing data in files, signals, unit and regression testing, and build automation. The use of debugging tools including static analysis, gdb, and Valgrind are introduced. An introduction to computer architecture covering processors, memory hierarchy, storage, and networking provides a foundation for understanding software performance. Profiles generated using gprof and perf are used to help guide the performance optimization process. Computational problems from various science and engineering disciplines will be used in assignments. Prerequisites: CME160200 ME160300A and CME160211. The CME160211 requirement may be satisfied by passing a placement test administered by ICME. CME160213. Introduction to parallel computing using MPI, openMP, and CUDA. 3 Units. This class will give hands on experience with programming multicore processors, graphics processing units (GPU), and parallel computers. Focus will be on the message passing interface (MPI, parallel clusters) and the compute unified device architecture (CUDA, GPU). Topics will include: network topologies, modeling communication times, collective communication operations, parallel efficiency, MPI, dense linear algebra using MPI. Symmetric multiprocessing (SMP), pthreads, openMP. CUDA, combining MPI and CUDA, dense linear algebra using CUDA, sort, reduce and scan using CUDA. Pre-requisites include: C programming language and numerical algorithms (solution of differential equations, linear algebra, Fourier transforms). Same as: ME160339 CME160213B. Parallel Computing Projects. 3 Units. Students will discuss, devise and implement parallel applications for a discipline of mutual interest. The parallel implementation will focus on the use of MPI for clusters, OpenMP for multicore processors, andor CUDA for GPU processors. Instructors will help guide students to relevant literature and resources. A short introduction to MPI, OpenMP, and CUDA will be given at the beginning of the quarter. Hardware will be available for the duration of the quarter including NVIDIA Jetson TK1 development kits, and the ICME GPU cluster. Prerequisites: CME160211 212 or equivalent. CME160214. Software Design in Modern Fortran for Scientists and Engineers. 3 Units. This course introduces software design and development in modern Fortran. Course covers the functional, object-oriented-, and parallel programming features introduced in the Fortran 95, 2003, and 2008 standards, respectively, in the context of numerical approximations to ordinary and partial differential equations introduces object-oriented design and design schematics based on the Unified Modeling Language (UML) structure, behavior, and interaction diagrams cover the basic use of several open-source tools for software building, testing, documentation generation, and revision control. Recommended: Familiarity with programming in Fortran 90, basic numerical analysis and linear algebra, or instructor approval. Same as: EARTH160214 CME160215A. Advanced Computational Fluid Dynamics. 3 Units. High resolution schemes for capturing shock waves and contact discontinuities upwinding and artificial diffusion LED and TVD concepts alternative flow splittings numerical shock structure. Discretization of Euler and Navier Stokes equations on unstructured meshes the relationship between finite volume and finite element methods. Time discretization explicit and implicit schemes acceleration of steady state calculations residual averaging math grid preconditioning. Automatic design inverse problems and aerodynamic shape optimization via adjoint methods. Pre - or corequisite: 214B or equivalent. Same as: AA160215A CME160215B. Advanced Computational Fluid Dynamics. 3 Units. High resolution schemes for capturing shock waves and contact discontinuities upwinding and artificial diffusion LED and TVD concepts alternative flow splittings numerical shock structure. Discretization of Euler and Navier Stokes equations on unstructured meshes the relationship between finite volume and finite element methods. Time discretization explicit and implicit schemes acceleration of steady state calculations residual averaging math grid preconditioning. Automatic design inverse problems and aerodynamic shape optimization via adjoint methods. Pre - or corequisite: 214B or equivalent. Same as: AA160215B CME160232. Introduction to Computational Mechanics. 3 Units. Provides an introductory overview of modern computational methods for problems arising primarily in mechanics of solids and is intended for students from various engineering disciplines. The course reviews the basic theory of linear solid mechanics and introduces students to the important concept of variational forms, including the principle of minimum potential energy and the principles of virtual work. Specific model problems that will be considered include deformation of bars, beams and membranes, plates, and problems in plane elasticity (plane stress, plane strain, axisymmetric elasticity). The variational forms of these problems are used as the starting point for developing the finite element method (FEM) and boundary element method (BEM) approaches providing an important connection between mechanics and computational methods. Same as: ME160332 CME160237. Networks, Markets, and Crowds. 3 Units. The course explores the underlying network structure of our social, economic, and technological worlds and uses techniques from graph theory and economics to examine the structure amp evolution of information networks, social contagion, the spread of social power and popularity, and information cascades. Prerequisites: basic graph and probability theory. Same as: MSampE 237 CME160238. Artificial Intelligence in Financial Technology. 3 Units. Survey the current Financial Technology landscape through the lens of Artificial Intelligence applications, with emphasis in 4 areas: Payments, Blockchain and Cryptocurrencies, Robo-Advisory, and Marketplace Lending. Students work in groups of 4 to develop an original financial technology project, research paper or product prototype within a chosen area. Final project posters to be presented to the class and posted online. Top posters to be selected and presented at the Stanford Financial Technology conference in January. Classes will alternate between industry speakers, lectures and scheduled group meetings with teaching team. Advanced undergraduates, graduate students, and students from other Schools are welcome to enroll. Prerequisites: Basic programming skills, knowledge of design process, introductory statistics. No formal finance experience required. Enrollment is capped at 32. Same as: MSampE 446 CME160239B. Workshop in Quantitative Finance. 1 Unit. Topics of current interest. May be repeated for credit. Same as: STATS160239B CME160242. Mathematical and Computational Finance Seminar. 1 Unit. CME160243. Financial Models and Statistical Methods in Active Risk Management. 3 Units. Market risk and credit risk, credit markets. Back testing, stress testing and Monte Carlo methods. Logistic regression, generalized linear models and generalized mixed models. Loan prepayment and default as competing risks. Survival and hazard functions, correlated default intensities, frailty and contagion. Risk surveillance, early warning and adaptive control methodologies. Banking and bank regulation, asset and liability management. Prerequisite: STATS160240 or equivalent. Same as: STATS160243 CME160244. Project Course in Mathematical and Computational Finance. 1-6 Unit. For graduate students in the MCF track students will work individually or in groups on research projects. CME160245. Topics in Mathematical and Computational Finance. 1 Unit. Description: Introduction to Energy and Commodity Markets (energy, metals, agriculturals, livestock) and issues related to renewable energy sources such as solar and wind power, and carbon emissions. Topics include: application of financial mathematics and dynamic game theory to a variety of problems, including forward curve models, oligoply models of energy production, financialization of commodity markets, and carbon emissions markets traditional stochastic models for commodity futures curves. Schwartz models, capturing backwardation and contango, Samuelson effect, convenience yield and storage game theoretic models of energy production. Cournot models, exhaustible resources, Hotellings rule, impact of renewables and shale oil (fracking). Stochastic differential games, and continuum mean field games. nPart 3: Financialization. Intertwining of equity and commodity markets through modern investment vehicles such as ETFs and commodity index funds. Models for carbon emissions markets. Prerequisites:familiarity with stochastic calculus (CME160308 ) and partial differential equations (CME303306), or similar classes by consent of. May be repeat for credit. CME160249. Using Design for Effective Data Analysis. 1 Unit. Teams of students use techniques in applied and computational mathematics to tackle problems with real world data sets. Application of design methodology adapted for data analysis will be emphasized leverage design thinking to come up with efficient and effective data driven insights explore design thinking methodology in small group setting. apply design thinking to a specific data centric problem and make professional group presentation of the results. Limited enrollment. Prerequisites: CME100102104 or equivalents, or instructor consent. Recommended:CME106108 and familiarity with programming at the level of CME160192 193. CME160249A. Statistical Arbitrage. 1 Unit. Course will cover trading strategies that are bottom up, market neutral, with trading driven by statistical or econometric models and strategies such as pair trading and index arbitrage. Models may focus on tendency of short term returns to revert, leadslags among correlated instruments, volume momentum, or behavioral effects. nTopics include: (a) a taxonomy of market participants and what motivates trading, (b) methods of exploring relationships between instruments, (c) portfolio construction across a large number of instruments, (d) risks inherent in statistical arbitrage (e) nonstationarity of relationships due to changes in market regulations, fluctuations in market volatility and other factors and (f) frictions such as costs of trading and constraints. Students will team to analyze the provided data sets which cover distinct dynamic market regimes. CME160250. Introduction to Machine Learning. 1 Unit. A Short course presenting the principles behind when, why, and how to apply modern machine learning algorithms. We will discuss a framework for reasoning about when to apply various machine learning techniques, emphasizing questions of over-fittingunder-fitting, regularization, interpretability, supervisedunsupervised methods, and handling of missing data. The principles behind various algorithms--the why and how of using them--will be discussed, while some mathematical detail underlying the algorithms--including proofs--will not be discussed. Unsupervised machine learning algorithms presented will include k-means clustering, principal component analysis (PCA), and independent component analysis (ICA). Supervised machine learning algorithms presented will include support vector machines (SVM), classification and regression trees (CART), boosting, bagging, and random forests. Imputation, the lasso, and cross-validation concepts will also be covered. The R programming language will be used for examples, though students need not have prior exposure to R. Prerequisite: undergraduate-level linear algebra and statistics basic programming experience (RMatlabPython). CME160250A. Machine Learning on Big Data. 1 Unit. A short course presenting the application of machine learning methods to large datasets. Topics include: brief review of the common issues of machine learning, such as, memorizingoverfitting vs learning, testtrain splits, feature engineering, domain knowledge, fastsimpledumb learners vs slowcomplexsmart learners moving your model from your laptop into a production environment using Python (scikit) or R on small data (laptop sized) at first building math clusters using the open source H2O product to tackle Big Data, and finally to some model building on terabyte sized datasets. Prereqresites: basic knowledge of statistics, matrix algebra, and unix-like operating systems basic file and text manipulation skills with unix tools: pipes, cut, paste, grep, awk, sed, sort, zip programming skill at the level of CME211 or CS106A. CME160251. Geometric and Topological Data Analysis. 3 Units. Mathematical computational tools for the analysis of data with geometric content, such images, videos, 3D scans, GPS traces -- as well as for other data embedded into geometric spaces. Global and local geometry descriptors allowing for various kinds of invariances. The rudiments of computational topology and persistent homology on sampled spaces. Clustering and other unsupervised techniques. Spectral methods for geometric data analysis. Non-linear dimensionality reduction. Alignment, matching, and map computation between geometric data sets. Function spaces and functional maps. Networks of data sets and joint analysis for segmentation and labeling. The emergence of abstractions or concepts from data. Prerequisites: discrete algorithms at the level of 161 linear algebra at the level of CME103. Same as: CS160233 CME160252. Introduction to Optimization. 1 Unit. This course introduces mathematical optimization and modeling, with a focus on convex optimization. Topics include: varieties of mathematical optimization, convexity of functions and sets, convex optimization modeling with CVXPY, gradient descent and basic distributed optimization, in-depth examples from machine learning, statistics and other fields and applications of bi-convexity and non-convex gradient descent. nRecommended prerequisite: familiarity with linear algebra, differential multivariable calculus, and basic probability and statistics. Experience with Python will be helpful, but not required. CME160252A. Applications of Optimization in Telecom Networks. 1 Unit. Introduction to traffic planning and engineering on the Internet. Overview of Internet architecture applications of linear and nonlinear optimization to traffic matrix estimation capacity planning and routing optimization and experimentation with algorithms in Julia. Requirements: some optimization and technical computing experience would help, but open to anyone interested in the topic talk to instructor if unsure. CME160253. Introduction to GPU Computing and CUDA. 1 Unit. Covers the fundamentals of accelerating applications with GPUs (Graphics Processing Units) GPU programming with CUDA and OpenACC, debugging, thrustCUB, profiling, optimization, debugging, and other CUDA tools. Libraries to easily accelerate compute code will be presented and deployment on larger systems will be addressed, including multi-GPU environments. Several practical examples will be detailed, including deep learning. Pre-requiste: knowledge of CC at the level of CME211 or CS106b. CME160257. Advanced Topics in Scientific Computing with Julia. 1 Unit. This short course runs from the 2nd to the 5th week of the quarter. This course will rapidly introduce students to the new Julia language, with the goal of giving students the knowledge and experience necessary to begin contributing to the language and package ecosystem while using Julia for their own scientific computing needs. The course will begin with learning the basics of Julia with an emphasis on its object-oriented features, and then introduce students to Github and package development. Additional topics include: common packages, interfacing with C shared object libraries, and Julias core linear algebra implementation. Lectures will be interactive, with an emphasis on collaboration and learning by example. Prerequisites: Data structures at the level of CS106B, experience with one or more scientific computing languages (e. g. Python, Matlab, or R), and some familiarity with CC and the Unix shell. No prior experience with Julia or Github is required. CME160263. Introduction to Linear Dynamical Systems. 3 Units. Applied linear algebra and linear dynamical systems with applications to circuits, signal processing, communications, and control systems. Topics: least-squares approximations of over-determined equations, and least-norm solutions of underdetermined equations. Symmetric matrices, matrix norm, and singular-value decomposition. Eigenvalues, left and right eigenvectors, with dynamical interpretation. Matrix exponential, stability, and asymptotic behavior. Multi-inputmulti-output systems, impulse and step matrices convolution and transfer-matrix descriptions. Control, reachability, and state transfer observability and least-squares state estimation. Prerequisites: linear algebra and matrices as in MATH104 differential equations and Laplace transforms as in EE102B. Same as: EE160263 CME160279. Computational Biology: Structure and Organization of Biomolecules and Cells. 3 Units. Computational techniques for investigating and designing the three-dimensional structure and dynamics of biomolecules and cells. These computational methods play an increasingly important role in drug discovery, medicine, bioengineering, and molecular biology. Course topics include protein structure prediction, protein design, drug screening, molecular simulation, cellular-level simulation, image analysis for microscopy, and methods for solving structures from crystallography and electron microscopy data. Prerequisites: elementary programming background (CS160106A or equivalent) and an introductory course in biology or biochemistry. Same as: BIOE160279. BIOMEDIN160279. BIOPHYS160279. CS160279 CME160285. Computational Modeling in the Cardiovascular System. 3 Units. This course introduces computational modeling methods for cardiovascular blood flow and physiology. Topics in this course include analytical and computational methods for solutions of flow in deformable vessels, one-dimensional equations of blood flow, cardiovascular anatomy, lumped parameter models, vascular trees, scaling laws, biomechanics of the circulatory system, and 3D patient specific modeling with finite elements course will provide an overview of the diagnosis and treatment of adult and congenital cardiovascular diseases and review recent research in the literature in a journal club format. Students will use SimVascular software to do clinically-oriented projects in patient specific blood flow simulations. Same as: BIOE160285. ME160285 CME160291. Masters Research. 1-6 Unit. Students require faculty sponsor. (Staff). CME160292. Advanced MATLAB for Scientific Computing. 1 Unit. Short course running first four weeks of the quarter (8 lectures) with interactive lectures and application based assignment. Students will be introduced to advanced MATLAB features, syntaxes, and toolboxes not traditionally found in introductory courses. Material will be reinforced with in-class examples, demos, and homework assignment involving topics from scientific computing. MATLAB topics will be drawn from: advanced graphics (2D3D plotting, graphics handles, publication quality graphics, animation), MATLAB tools (debugger, profiler), code optimization (vectorization, memory management), object-oriented programming, compiled MATLAB (MEX files and MATLAB coder), interfacing with external programs, toolboxes (optimization, parallel computing, symbolic math, PDEs). Scientific computing topics will include: numerical linear algebra, numerical optimization, ODEs, and PDEs. CME160298. Basic Probability and Stochastic Processes with Engineering Applications. 3 Units. Calculus of random variables and their distributions with applications. Review of limit theorems of probability and their application to statistical estimation and basic Monte Carlo methods. Introduction to Markov chains, random walks, Brownian motion and basic stochastic differential equations with emphasis on applications from economics, physics and engineering, such as filtering and control. Prerequisites: exposure to basic probability. Same as: MATH160158 CME160300. First Year Seminar Series. 1 Unit. Required for first-year ICME Ph. D. students recommended for first-year ICME M. S. students. Presentations about research at Stanford by faculty and researchers from Engineering, HampS, and organizations external to Stanford. May be repeated for credit. CME160302. Numerical Linear Algebra. 3 Units. Solution of linear systems, accuracy, stability, LU, Cholesky, QR, least squares problems, singular value decomposition, eigenvalue computation, iterative methods, Krylov subspace, Lanczos and Arnoldi processes, conjugate gradient, GMRES, direct methods for sparse matrices. Prerequisites: CME160108. MATH160114. MATH160104. CME160303. Partial Differential Equations of Applied Mathematics. 3 Units. First-order partial differential equations method of characteristics weak solutions elliptic, parabolic, and hyperbolic equations Fourier transform Fourier series and eigenvalue problems. Prerequisite: Basic coursework in multivariable calculus and ordinary differential equations, and some prior experience with a proof-based treatment of the material as in MATH160171 or MATH16061CM (formerly Math 51H). Same as: MATH160220 CME160305. Discrete Mathematics and Algorithms. 3 Units. Topics: Basic Algebraic Graph Theory, Matroids and Minimum Spanning Trees, Submodularity and Maximum Flow, NP-Hardness, Approximation Algorithms, Randomized Algorithms, The Probabilistic Method, and Spectral Sparsification using Effective Resistances. Topics will be illustrated with applications from Distributed Computing, Machine Learning, and large-scale Optimization. Prerequisites: CS160261 is highly recommended, although not required. Same as: MSampE 316 CME160306. Numerical Solution of Partial Differential Equations. 3 Units. Hyperbolic partial differential equations: stability, convergence and qualitative properties nonlinear hyperbolic equations and systems combined solution methods from elliptic, parabolic, and hyperbolic problems. Examples include: Burgers equation, Euler equations for compressible flow, Navier-Stokes equations for incompressible flow. Prerequisites: MATH 220A or CME160302 . Same as: MATH160226 CME160307. Optimization. 3 Units. Applications, theories, and algorithms for finite-dimensional linear and nonlinear optimization problems with continuous variables. Elements of convex analysis, first - and second-order optimality conditions, sensitivity and duality. Algorithms for unconstrained optimization, and linearly and nonlinearly constrained problems. Modern applications in communication, game theory, auction, and economics. Prerequisites: MATH160113. 115, or equivalent. Same as: MSampE 311 CME160308. Stochastic Methods in Engineering. 3 Units. The basic limit theorems of probability theory and their application to maximum likelihood estimation. Basic Monte Carlo methods and importance sampling. Markov chains and processes, random walks, basic ergodic theory and its application to parameter estimation. Discrete time stochastic control and Bayesian filtering. Diffusion approximations, Brownian motion and an introduction to stochastic differential equations. Examples and problems from various applied areas. Prerequisites: exposure to probability and background in analysis. Same as: MATH160228. MSampE 324 CME160309. Randomized Algorithms and Probabilistic Analysis. 3 Units. Randomness pervades the natural processes around us, from the formation of networks, to genetic recombination, to quantum physics. Randomness is also a powerful tool that can be leveraged to create algorithms and data structures which, in many cases, are more efficient and simpler than their deterministic counterparts. This course covers the key tools of probabilistic analysis, and application of these tools to understand the behaviors of random processes and algorithms. Emphasis is on theoretical foundations, though we will apply this theory broadly, discussing applications in machine learning and data analysis, networking, and systems. Topics include tail bounds, the probabilistic method, Markov chains, and martingales, with applications to analyzing random graphs, metric embeddings, random walks, and a host of powerful and elegant randomized algorithms. Prerequisites: CS160161 and STAT 116, or equivalents and instructor consent. Same as: CS160265 CME160321A. Mathematical Methods of Imaging. 3 Units. Image denoising and deblurring with optimization and partial differential equations methods. Imaging functionals based on total variation and l-1 minimization. Fast algorithms and their implementation. Same as: MATH160221A CME160321B. Mathematical Methods of Imaging. 3 Units. Array imaging using Kirchhoff migration and beamforming, resolution theory for broad and narrow band array imaging in homogeneous media, topics in high-frequency, variable background imaging with velocity estimation, interferometric imaging methods, the role of noise and inhomogeneities, and variational problems that arise in optimizing the performance of array imaging algorithms. Same as: MATH160221B CME160322. Spectral Methods in Computational Physics. 3 Units. Data analysis, spectra and correlations, sampling theorem, nonperiodic data, and windowing spectral methods for numerical solution of partial differential equations accuracy and computational cost fast Fourier transform, Galerkin, collocation, and Tau methods spectral and pseudospectral methods based on Fourier series and eigenfunctions of singular Sturm-Liouville problems Chebyshev, Legendre, and Laguerre representations convergence of eigenfunction expansions discontinuities and Gibbs phenomenon aliasing errors and control efficient implementation of spectral methods spectral methods for complicated domains time differencing and numerical stability. Same as: ME160408 CME160323. Distributed Algorithms and Optimization. 3 Units. The emergence of large distributed clusters of commodity machines has brought with it a slew of new algorithms and tools. Many fields such as Machine Learning and Optimization have adapted their algorithms to handle such clusters. Topics include distributed algorithms for: Optimization, Numerical Linear Algebra, Machine Learning, Graph analysis, Streaming algorithms, and other problems that are challenging to scale on a commodity cluster. The class will focus on analyzing parallel programs, with some implementation using Apache Spark. CME160325. Numerical Approximations of Partial Differential Equations in Theory and Practice. 1-2 Unit. Finite volume and finite difference methods for initial boundary value problems in multiple space dimensions. Emphasis is on formulation of boundary conditions for the continuous and the discrete problems. Analysis of numerical methods with respect to stability, accuracy, and error behavior. Techniques of treating non-rectangular domains, and effects of non-regular grids. CME160326. Numerical Methods for Initial Boundary Value Problems. 3 Units. Initial boundary value problems model many phenomena in engineering and science such as, fluid flow problems, wave propagation, fluid-structure interaction, conjugate heat transfer and financial mathematics. We discuss numerical techniques for such simulations and focus on the underlying principles and theoretical understanding. Emphasis is on stability, convergence and efficiency for methods applied to hyperbolic and parabolic initial boundary value problems. CME160327. Numerical Methods for Stiff Problems. 3 Units. Focus is on analysis of numerical techniques for stiff ordinary differential equations, including those resulting from spatial discretization of partial differential equations. Topics include stiffness, convergence, stability, adaptive time stepping, implicit time-stepping methods (SDIRK, Rosenbrock), linear and nonlinear system solvers (Fixed Point, Newton, Multigrid, Krylov subspace methods) and preconditioning. Pre-requisites: CME200ME300A or equivalent or consent of instructor. CME160328. Advanced Topics in Partial Differential Equations. 3 Units. Contents change each time and is taught as a topics course, most likely by a faculty member visiting from another institution. May be repeated for credit. Topic in 2012-13: numerical solution of time-dependent partial differential equations is a fundamental tool for modeling and prediction in many areas of science and engineering. In this course we explore the stability, accuracy, efficiency, and appropriateness of specialized temporal integration strategies for different classes of partial differential equations including stiff problems and fully implicit methods, operator splitting and semi-implicit methods, extrapolation methods, multirate time integration, multi-physics problems, symplectic integration, and temporal parallelism. Prerequisites: recommended CME303 and 306 or with instructors consent. CME160330. Applied Mathematics in the Chemical and Biological Sciences. 3 Units. Mathematical solution methods via applied problems including chemical reaction sequences, mass and heat transfer in chemical reactors, quantum mechanics, fluid mechanics of reacting systems, and chromatography. Topics include generalized vector space theory, linear operator theory with eigenvalue methods, phase plane methods, perturbation theory (regular and singular), solution of parabolic and elliptic partial differential equations, and transform methods (Laplace and Fourier). Prerequisites: CME160102 ENGR160155A and CME160104 ENGR160155B. or equivalents. Same as: CHEMENG160300 CME160334. Advanced Methods in Numerical Optimization. 3 Units. Topics include interior-point methods, relaxation methods for nonlinear discrete optimization, sequential quadratic programming methods, optimal control and decomposition methods. Topic chosen in first class different topics for individuals or groups possible. Individual or team projects. May be repeated for credit. Same as: MSampE 312 CME160335. Advanced Topics in Numerical Linear Algebra. 3 Units. Possible topics: Classical and modern (e. g. focused on provable communication minimization) algorithms for executing dense and sparse-direct factorizations in high-performance, distributed-memory environments distributed dense eigensolvers, dense and sparse-direct triangular solvers, and sparse matrix-vector multiplication unified analysis of distributed Interior Point Methods for symmetric cones via algorithms for distributing Jordan algebras over products of second-order cones and Hermitian matrices. May be repeated for credit. Prerequisites: CME160302 and CME 304 (or equivalents). CME160336. Linear and Conic Optimization with Applications. 3 Units. Linear, semidefinite, conic, and convex nonlinear optimization problems as generalizations of classical linear programming. Algorithms include the interior-point, barrier function, and cutting plane methods. Related convex analysis, including the separating hyperplane theorem, Farkas lemma, dual cones, optimality conditions, and conic inequalities. Complexity andor computation efficiency analysis. Applications to combinatorial optimization, sensor network localization, support vector machine, and graph realization. Prerequisite: MSampE 211 or equivalent. Same as: MSampE 314 CME160338. Large-Scale Numerical Optimization. 3 Units. The main algorithms and software for constrained optimization emphasizing the sparse-matrix methods needed for their implementation. Iterative methods for linear equations and least squares. The simplex method. Basis factorization and updates. Interior methods. The reduced-gradient method, augmented Lagrangian methods, and SQP methods. Prerequisites: Basic numerical linear algebra, including LU, QR, and SVD factorizations, and an interest in MATLAB, sparse-matrix methods, and gradient-based algorithms for constrained optimization. Recommended: MSampE 310, 311, 312, 314, or 315 CME160108. 200, 302, 304, 334, or 335. Same as: MSampE 318 CME160342. Parallel Methods in Numerical Analysis. 3 Units. Emphasis is on techniques for obtaining maximum parallelism in numerical algorithms, especially those occurring when solving matrix problems, partial differential equations, and the subsequent mapping onto the computer. Implementation issues on parallel computers. Topics: parallel architecture, programming models (MPI, GPU Computing with CUDA quick review), matrix computations, FFT, fast multiple methods, domain decomposition, graph partitioning, discrete algorithms. Prerequisites: 302 or 200 (ME160300A ), 213 or equivalent, or consent of instructor. Recommended: differential equations and knowledge of a high-level programming language such as C or C (F9095 also allowable). CME160345. Model Reduction. 3 Units. Model reduction is an indispensable tool for computational-based design and optimization, statistical analysis, embedded computing, and real-time optimal control. This course presents the basic mathematical theory for projection-based model reduction. Topics include: notions of linear dynamical systems and projection projection-based model reduction error analysis proper orthogonal decomposition Hankel operator and balancing of a linear dynamical system balanced truncation method: modal truncation and other reduction methods for linear oscillators model reduction via moment matching methods based on Krylov subspaces introduction to model reduction of parametric systems and notions of nonlinear model reduction. Course material is complemented by a balanced set of theoretical, algorithmic and Matlab computer programming assignments. Prerequisites: CME160200 or equivalent, CME160263 or equivalent and basic numerical methods for ODEs. CME160356. Engineering Functional Analysis and Finite Elements. 3 Units. Concepts in functional analysis to understand models and methods used in simulation and design. Topology, measure, and integration theory to introduce Sobolev spaces. Convergence analysis of finite elements for the generalized Poisson problem. Extensions to convection-diffusion-reaction equations and elasticity. Upwinding. Mixed methods and LBB conditions. Analysis of nonlinear and evolution problems. Prerequisites: 335A, B, CME160200. CME160204. or consent of instructor. Recommended: 333, MATH160171 . Same as: ME160412 CME160358. Finite Element Method for Fluid Mechanics. 3 Units. Mathematical theory of the finite element method for incompressible flows related computational algorithms and implementation details. Poisson equation finite element method for simple elliptic problems notions of mathematical analysis of non-coercive partial differential equations the inf-sup or Babushka-Brezzi condition and its applications to the Stokes and Darcy problems presentation of stable mixed finite element methods and corresponding algebraic solvers stabilization approaches in the context of advection-diffusion equation numerical solution of the incompressible Navier-Stokes equations by finite element method. Theoretical, computational, and MATLAB computer programming assignments. Prerequisites: foundation in multivariate calculus and ME160335A or equivalent. CME160362. An Introduction to Compressed Sensing. 3 Units. Compressed sensing is a new data acquisition theory asserting that one can design nonadaptive sampling techniques that condense the information in a compressible signal into a small amount of data. This revelation may change the way engineers think about signal acquisition. Course covers fundamental theoretical ideas, numerical methods in large-scale convex optimization, hardware implementations, connections with statistical estimation in high dimensions, and extensions such as recovery of data matrices from few entries (famous Netflix Prize). Same as: STATS160330 CME160364A. Convex Optimization I. 3 Units. Convex sets, functions, and optimization problems. The basics of convex analysis and theory of convex programming: optimality conditions, duality theory, theorems of alternative, and applications. Least-squares, linear and quadratic programs, semidefinite programming, and geometric programming. Numerical algorithms for smooth and equality constrained problems interior-point methods for inequality constrained problems. Applications to signal processing, communications, control, analog and digital circuit design, computational geometry, statistics, machine learning, and mechanical engineering. Prerequisite: linear algebra such as EE263, basic probability. Same as: CS160334A. EE160364A CME160364B. Convex Optimization II. 3 Units. Continuation of 364A. Subgradient, cutting-plane, and ellipsoid methods. Decentralized convex optimization via primal and dual decomposition. Monotone operators and proximal methods alternating direction method of multipliers. Exploiting problem structure in implementation. Convex relaxations of hard problems. Global optimization via branch and bound. Robust and stochastic optimization. Applications in areas such as control, circuit design, signal processing, and communications. Course requirements include project. Prerequisite: 364A. Same as: EE160364B CME160371. Computational Biology in Four Dimensions. 3 Units. Cutting-edge research on computational techniques for investigating and designing the three-dimensional structure and dynamics of biomolecules, cells, and everything in between. These techniques, which draw on approaches ranging from physics-based simulation to machine learning, play an increasingly important role in drug discovery, medicine, bioengineering, and molecular biology. Course is devoted primarily to reading, presentation, discussion, and critique of papers describing important recent research developments. Prerequisite: CS160106A or equivalent, and an introductory course in biology or biochemistry. Recommended: some experience in mathematical modeling (does not need to be a formal course). Same as: BIOMEDIN160371. BIOPHYS160371. CS160371 CME160372. Applied Fourier Analysis and Elements of Modern Signal Processing. 3 Units. Introduction to the mathematics of the Fourier transform and how it arises in a number of imaging problems. Mathematical topics include the Fourier transform, the Plancherel theorem, Fourier series, the Shannon sampling theorem, the discrete Fourier transform, and the spectral representation of stationary stochastic processes. Computational topics include fast Fourier transforms (FFT) and nonuniform FFTs. Applications include Fourier imaging (the theory of diffraction, computed tomography, and magnetic resonance imaging) and the theory of compressive sensing. Same as: MATH160262 CME160375. Advanced Topics in Convex Optimization. 3 Units. Modern developments in convex optimization: semidefinite programming novel and efficient first-order algorithms for smooth and nonsmooth convex optimization. Emphasis on numerical methods suitable for large scale problems arising in science and engineering. Prerequisites: convex optimization (EE 364), linear algebra (MATH160104 ), numerical linear algebra (CME160302 ) background in probability, statistics, real analysis and numerical optimization. Same as: MATH160301 CME160390. Curricular Practical Training. 1 Unit. Educational opportunities in high technology research and development labs in applied mathematics. Qualified ICME students engage in internship work and integrate that work into their academic program. Students register during the quarter they are employed and complete a research report outlining their work activity, problems investigated, results, and follow-on projects they expect to perform. May be repeated three times for credit. CME160399. Special Research Topics in Computational and Mathematical Engineering. 1-15 Unit. Graduate-level research work not related to report, thesis, or dissertation. May be repeated for credit. CME160400. Ph. D. Research. 1-15 Unit. CME160444. Computational Consulting. 1-3 Unit. Advice by graduate students under supervision of ICME faculty. Weekly briefings with faculty adviser and associated faculty to discuss ongoing consultancy projects and evaluate solutions. May be repeated for credit. CME160500. Departmental Seminar. 1 Unit. Weekly research lectures by doctoral students, experts from academia, national laboratories, and industry. May be repeated for credit. In autumn 2016 this seminar will primarily feature current graduate students talking about their research. In winter and spring 2016-17, this seminar will feature a mix of graduate students and other researchers. CME160510. Linear Algebra and Optimization Seminar. 1 Unit. Recent developments in numerical linear algebra and numerical optimization. Guest speakers from other institutions and local industry. Goal is to bring together scientists from different theoretical and application fields to solve complex scientific computing problems. May be repeated for credit. CME160520. Topics in Simulation of Human Physiology amp Anatomical Systems. 1 Unit. Biweekly interdisciplinary lecture series on the development of computational tools for modeling and simulation of human physiological and anatomical systems. Lectures by instructors and guest speakers on topics such as surgical simulation, anatomical amp surgical Modeling, neurological Systems, and biomedical models of human movement. Group discussions, team based assignments, and project work. nPrerequisite: Medical students, residents or fellows from school of medicine, and computationally oriented students with a strong interest to explore computational and mathematical methods related to the health sciences. Same as: SURG160253 CME160801. TGR Project. 0 Units. CME160802. TGR Dissertation. 0 Units.