Séance de cours
Monte Carlo: Optimisation et estimation
Séances de cours associées (47)
Analyse de la pollution atmosphérique
Explorer l'analyse de la pollution atmosphérique à l'aide de données sur le vent, de distributions de probabilités et de modèles de trajectoire pour l'évaluation de la qualité de l'air.
Inférence bayésienne : Variables gaussiennes
Explore l'inférence bayésienne pour les variables aléatoires gaussiennes, couvrant la distribution articulaire, les pdf marginaux et le classificateur Bayes.
Inférence moyenne-square-Error
Couvre le concept d'inférence moyenne-carré-erreur et d'estimateurs optimaux pour les problèmes d'inférence en utilisant différents critères de conception.
Modèles génériques implicites
Explore des modèles générateurs implicites, couvrant des sujets comme la méthode des moments, le choix du noyau et la robustesse des estimateurs.
Modèles de mélange : Estimation basée sur la simulation
Explore les modèles de mélange, y compris les mélanges discrets et continus, et leur application dans la capture de l'hétérogénéité du goût dans les populations.
Optimisation : descente de gradient et sous-gradients
Explore des méthodes d'optimisation telles que la descente de gradient et les sous-gradients pour la formation de modèles d'apprentissage automatique, y compris des techniques avancées telles que l'optimisation d'Adam.
Distributions d'échantillonnage : Estimation
Explorer les distributions d'échantillonnage, les méthodes d'estimation et la cohérence dans l'estimation des paramètres.
Chaînes Monte Carlo Markov
Couvre l'apprentissage non supervisé, la réduction de dimensionnalité, SVD, l'estimation de bas grade, PCA, et les chaînes Monte Carlo Markov.
Introduction à la détection quantique: estimation des paramètres et informations sur les pêcheurs
Présente Fisher Information pour l'estimation des paramètres basée sur les données recueillies.
Modèles de signaux paramétriques : Matlab Practice
Couvre les modèles de signaux paramétriques et les applications Matlab pratiques pour les chaînes de Markov et les processus AutoRegressive.