Introduit des modèles de Markov cachés, expliquant les problèmes de base et les algorithmes comme Forward-Backward, Viterbi et Baum-Welch, en mettant laccent sur lattente-Maximisation.
Couvre la théorie de l'échantillonnage de Markov Chain Monte Carlo (MCMC) et discute des conditions de convergence, du choix de la matrice de transition et de l'évolution de la distribution cible.
Explore les efforts visant à accroître la diversité et l'inclusion à l'ENAC, en mettant l'accent sur un environnement inclusif et des mécanismes de soutien.
Explore le codage de canal en mettant l'accent sur les codes convolutifs, en mettant l'accent sur les processus de détection, de correction et de décodage des erreurs.
