Concept
Loi de probabilité à plusieurs variables
Séances de cours associées (302)
Distributions de probabilités : notions de base
Présente les distributions de probabilité, la distribution uniforme, les probabilités d'événements, les compléments, les unions et les événements disjoints.
Probabilité et statistiques
Couvre les probabilités, les statistiques, l'indépendance, la covariance, la corrélation et les variables aléatoires.
Interprétation de l'entropie
Explore le concept d'entropie exprimée en bits et sa relation avec les distributions de probabilité, en se concentrant sur le gain et la perte d'informations dans divers scénarios.
Décision de vraisemblance maximale
Explique la décision par le maximum de vraisemblance et l'utilisation des logarithmes.
Échantillonnage des familles exponentielles
Couvre l'échantillonnage des familles exponentielles, la distribution articulaire, les moments et les théorèmes de convergence.
Probabilité et mesure : principes fondamentaux et applications
Couvre les concepts fondamentaux de la théorie des probabilités et de la théorie des mesures, y compris les probabilités conjointes, les variables aléatoires et le théorème de la limite centrale.
Distribution normale : bases et applications
Couvre les bases de la distribution normale et ses applications dans les calculs de probabilité.
Variables aléatoires discrètes: Tests médicaux
Explore les variables aléatoires discrètes, les probabilités communes et la qualité des tests médicaux en utilisant le théorème de Bayes.
Formation de réseau : Modèles de connexion aléatoires
Explore la formation du réseau à travers des modèles de connexion aléatoires et la distribution des degrés de nœud.
Markov Chain Monte Carlo: Échantillonnage de distributions à haute dimension
Couvre la chaîne Markov Monte Carlo pour l'échantillonnage des distributions haute dimension, en discutant des défis, des avantages et des applications comme le problème Knapsack et la cryptographie.