Catégorie
Inférence bayésienne
Séances de cours associées (257)
Chaînes et algorithmes de Markov
Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.
Chaînes Markov
Couvre les chaînes Markov, l'échantillonnage Monte Carlo, l'isotropie, et la malédiction de la dimensionnalité.
Exemples de MCMC et estimation des erreurs
Couvre des exemples de chaîne Markov Monte Carlo et des méthodes d'estimation des erreurs.
Chaînes de Markov: Applications et méthodes d'échantillonnage
Couvre les bases des chaînes de Markov et leurs applications algorithmiques.
Chaînes et algorithmes de Markov
Couvre l'application des chaînes de Markov et des algorithmes pour l'optimisation des fonctions et les colorations des graphes.
Chaînes et algorithmes de Markov
Explore les chaînes de Markov et les applications d'algorithmes, y compris la simulation exacte et les algorithmes Propp-Wilson.
Markov Chains: Communiquer les classes
Explore les classes communicantes dans les chaînes de Markov, en distinguant les classes transitoires et récurrentes, et approfondit les propriétés de ces classes.
Probabilités et processus stochastiques
Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Chaînes Markov : Simulation et optimisation
Explore les chaînes Markov, Metropolis-Hastings, et la simulation à des fins d'optimisation, soulignant l'importance de l'ergonomie dans la simulation variable efficace.
Chaînes Markov: Applications et chaînes couplées
Couvre les chaînes de Markov, les chaînes couplées et leurs applications, en soulignant l'importance de l'irréductibilité.