第四届统计、数学建模与分析学术研讨会(SMMA 2021)

1061次浏览 关注

2021-05-29 09:00 - 2021-05-31 18:00

广西壮族自治区桂林市七星区桂山华星酒店 [查看地图]

活动已结束

活动介绍

第四届统计、数学建模与分析学术研讨会(SMMA 2021)

大会官网:https://www.maymeeting.org/conference/SMMA2021/

大会时间:2021年5月29-31日

大会地点:中国桂林(桂林桂山华星酒店)

在线投稿:https://www.maymeeting.org/RegistrationSubmission/default.aspx?ConferenceID=1345

邮箱投稿:wsconf5@163.com 

录用通知:论文投稿后1周左右

△. 会议简介

第四届统计、数学建模与分析学术研讨会(SMMA 2021)将于2021年5月29-31日在桂林举行。统计、数学建模与分析学术研讨会是在领域内享受盛名的国际学术研讨会之一。此次会议议题涵盖应用统计学,数据建模与分析,模拟实验设计,统计分析系统程序设计,统计应用,统计遗传学,统计与数学教育等,旨在打造一场交流分享最新科研成果和研究方法的学术盛宴!此次研讨会将于2021年5月29-31日在世界著名的旅游城市桂林举行,诚邀各位专家和代表的参加。 

△.文章出版

所有被会议录用的稿件将会发表在开源期刊,被知网学术、谷歌学术等收录。

△.投稿须知:

论文应具有学术或实用价值,未在国内外学术期刊或会议发表过。

也可投递中文稿件,但是论文必须有英文题目、英文摘要,且口头报告必须做英文的。

 

论文排版格式以及投稿方式详见网站说明。

审稿流程:本次会议采用先投稿,先送专家评审的方式进行,审稿周期约1周。

△.参会方式(注:会议有Oral Presentation以及Poster环节)

1.全文参会:提交全文并发表,申请参与10-15分钟的口头报告,3600元

2.摘要参会:提交摘要,申请参与10-15分钟的口头报告,2700元

3.听众参会:只参会听讲,不参与演讲及展示,2400元

△. 大会咨询

联系人:张老师

电子邮箱: wsconf5@163.com (Seminar.Group@hotmail.com)

联系电话: +86 132 6470 2250 (周一到周五)

QQ: 1349406763 

微信: 3025797047

Twitter: conf_Committee 

△. 大会议题

Actuarial science
Applied data mining and statistical learning
Applied Simulation
Applied statistics
Applied time series analysis
Biometrics and applied statistics
Biostatistics and bioinformatics
Data modeling and analysis
Design of simulation experiments
Econometrics
Financial mathematics
Geostatistics
Image, speech and video processing and analysis
Linear algebra and programming models
Mathematical modelling
Metamodelling and regression
Model verification and validation
Modeling and simulation
Modeling simulation inputs
Numerical analysis
Pattern recognition and analysis
Random processes
Real analysis and statistics
Sampling techniques
Satisfiability modulo theories
Sensitivity analysis
Singular perturbation theory
Smoothing and statistical graphics
Social science methodology
Statistical analysis system programming
Statistical applications
Statistical genetics
Statistics and mathematics education
Statistics for environments
Stochastic modelling