Todo tipo de profesionales con una base sólida en estadística y Python, con interés en asimilación y análisis de datos, estudiantes de posgrado de ingeniería, física, geociencias, medicina, matemáticas, ciencia de datos, informática, economía y áreas cuantitativas afines y estudiantes de últimos semestres de pregrado en matemáticas.

Asimilación de datos significa la actualización automatizada de sistemas dinámicos por datos observacionales y son state-of-the-art en muchas aplicaciones, (medicina, ingeniería, climatología, biología, geociencias...)

El contenido incluye el estudio teórico y la implementación práctica en Python de:

• El problema de la asimilación de datos, con ejemplos y problemas modelo.

• Formulación variacional, 3D-var y 4D-var.

• El punto de vista bayesiano y filtrado no lineal: tiempo discreto y continuo.

• Cadenas de Márkov, estimación de estado, problemas para modelos de cadenas de Márkov ocultas.

• El filtro de Kalman y teoría de estimación lineal.

• Dinámica no lineal: bifurcaciones, atractores, exponentes de Lyapunov, caos y previsibilidad.

• Métodos de muestreo de MCMC (Monte Carlo Márkov Chain) y filtrado de partículas.

Clase teórica, clase práctica con implementación, tareas computacionales.