Couvre les fondamentaux des chaînes de Markov et de leurs applications dans les algorithmes, en se concentrant sur la coloration correcte et l'algorithme Metropolis.
Couvre les processus de Markov, les densités de transition et la distribution sous réserve d'information, en discutant de la classification des états et des distributions fixes.
Explore l'extension bayésienne de HMM pour la segmentation et la modélisation de l'action du robot, les limites des HMM classiques et la segmentation des données de capture de mouvement.
Explore l'évaluation de la fiabilité dans l'automatisation industrielle, en mettant l'accent sur la fiabilité, les taux de défaillance, les tests de résistance, les défaillances matérielles et les modèles Markov.
