Explore Markov Chain Monte Carlo pour l'échantillonnage des distributions haute dimension et l'optimisation des fonctions à l'aide de l'algorithme Metropolis-Hastings.
Explore les fonctions de transfert, les algorithmes de contrôle et les transformations du système dans des systèmes discrets et analogiques, avec des exercices pratiques inclus.
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.
Introduit des statistiques inférentielles, couvrant l'échantillonnage, la tendance centrale, la dispersion, les histogrammes, les scores z et la distribution normale.
Couvre les modèles générateurs en mettant l'accent sur l'auto-attention et les transformateurs, en discutant des méthodes d'échantillonnage et des moyens empiriques.
