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.
Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.
