Explore une réponse linéaire optimale pour les systèmes dynamiques stochastiques, s'attaquant aux perturbations et à l'optimisation de la vitesse de mélange.
Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Couvre la dynamique Langevin, l'équation Fokker-Planck, la résolution de l'équation Langevin, et l'efficacité de l'échantillonnage Langevin dans la dynamique moléculaire.
Explore la modélisation générative basée sur les scores au moyen d'équations différentielles stochastiques, en mettant l'accent sur les modèles probabilistes d'appariement des scores et de diffusion.
Explore le bruit d'échappement dans la neuroscience computationnelle, couvrant l'intensité stochastique, les intervalles d'intercirculation, les fonctions de vraisemblance, la comparaison des modèles de bruit, et les codes de vitesse par rapport aux codes temporels.
Présente les concepts fondamentaux du cours Signals and Systems, en mettant l'accent sur les applications pratiques de l'analyse du comportement du système.
