Explore l'échantillonnage de rejet pour générer des valeurs d'échantillon à partir d'une distribution cible, ainsi que l'inférence bayésienne à l'aide de MCMC.
Explore les chaînes de Markov et leurs applications dans des algorithmes, en se concentrant sur l'impatience des utilisateurs et la génération d'échantillons fidèles.
Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.
Couvre l'algorithme de Leighton-Rao pour trouver la coupe la plus clairsemée dans un graphique, en se concentrant sur ses étapes et ses fondements théoriques.
