TS. Trần Minh Ngọc
Viện Kỹ Thuật Và Khoa Học Máy Tính
Giảng viên liên kết
Giáo sư - Chương trình Khoa học Dữ liệu
Giới thiệu
GS. TS. Trần Minh Ngọc là Giáo sư chính thức (Full Professor) ngành Phân tích Kinh doanh (Business Analytics) tại Trường Kinh doanh, Đại học Sydney. Ông tốt nghiệp Cử nhân và Thạc sĩ Toán học tại Đại học Quốc gia Hà Nội, trước khi hoàn thành chương trình Tiến sĩ Thống kê tại Đại học Quốc gia Singapore vào năm 2012.
Hướng nghiên cứu của ông bao gồm cả phương pháp luận thống kê và thống kê ứng dụng. Ở mảng phương pháp, ông phát triển các kỹ thuật tính toán Bayes và học máy, đặc biệt tập trung vào phương pháp Bayes xấp xỉ (variational Bayes) và tích hợp các phương pháp tính toán lượng tử mới nổi vào phân tích dữ liệu. Trong nghiên cứu ứng dụng, ông vận dụng các phương pháp thống kê hiện đại để thúc đẩy các nghiên cứu trong khoa học nhận thức, hành vi người tiêu dùng và kinh tế lượng tài chính.
Các đóng góp của GS. Trần Minh Ngọc đã được ghi nhận ở cả cấp quốc gia và quốc tế, với nhiều công bố trên các tạp chí và hội nghị thống kê hàng đầu. Ông đã thu hút hơn 5 triệu đô la Úc (AUD) kinh phí nghiên cứu, bao gồm ba đề tài cạnh tranh của Hội đồng Nghiên cứu Úc (ARC), và là diễn giả được mời tại nhiều hội nghị trong nước và quốc tế. Với tinh thần giảng dạy nhiệt huyết, ông theo đuổi phương pháp giảng dạy gắn với nghiên cứu và lấy người học làm trung tâm, thường xuyên nhận được phản hồi xuất sắc từ sinh viên.
· Phương pháp luận thống kê
· Tính toán lượng tử trong thống kê
· Kinh tế lượng tài chính
· Khoa học nhận thức
• Phân tích dự báo
• Phân tích Bayes
• Học máy thống kê
• Thống kê toán học
• Khoa học dữ liệu cho kinh doanh
· Godichon-Baggioni, Nguyen and Tran (2025). Natural Gradient Variational Bayes without Fisher Matrix Analytic Calculation and Its Inversion. Journal of the American Statistical Association (in press).
· Dao, V., Gunawan, D., Kohn, R., Tran, M., Hawkins, G., Brown, S. (2025). Bayesian Inference for Evidence Accumulation Models with Regressors. Psychological Methods (in press).
· Lopatnikova, A., Tran, M., Sisson, S. (2024). An Introduction to Quantum Computing for Statisticians and Data Scientists. Foundations of Data Science, 6(3), 278-307.
· Dao, V., Gunawan, D., Tran, M., Kohn, R., Hawkins, G., Brown, S. (2024). Efficient selection between hierarchical cognitive models: Cross-validation with variational Bayes. Psychological Methods, 29(1), 219-241.
· Nguyen, N., Tran, M., Gunawan, D., Kohn, R. (2023). A Statistical Recurrent Stochastic Volatility Model for Stock Markets. Journal of Business and Economic Statistics, 41(2), 414-428.
· Nguyen, Tran and Kohn (2022). Recurrent conditional heteroskedasticity. Journal of Applied Econometrics, 37(5), 1031-1054.
· Gunawan, Hawkins, Tran, Kohn and Brown (2022). Time-evolving psychological processes over repeated decisions. Psychological Review, 129(3), 438-456.
· Tran, Nguyen and Nguyen (2021). Variational Bayes on manifolds. Statistics and Computing, 31(6), 1-17.
· Salomone, Quiroz, Kohn, Villani and Tran (2020). Spectral Subsampling MCMC for Stationary Time Series. ICML 2020. · K Dang, M Quiroz, R Kohn, M Tran and M Villani (2019). Hamiltonian Monte Carlo with Energy Conserving Subsampling. Journal of Machine Learning Research, 20, 1-31.
· D. Gunawan, S. Brown, R. Kohn, M-N. Tran (2019). New Estimation Approaches for the Linear Ballistic Accumulator Model. Journal of Mathematical Psychology, 96, 102368.
· Tran, Nguyen, Nott and Kohn (2019) Bayesian Deep Net GLM and GLMM. Journal of Computational and Graphical Statistics, 29(1), 97-113.
· M Quiroz, M Villani, R Kohn and M Tran (2018). Speeding up MCMC by efficient data subsampling, Journal of the American Statistical Association, 114(526), 831-843.
