Séance de cours

Probabilités et processus stochastiques

Dans cours
DEMO: duis pariatur velit
Cillum culpa veniam sunt quis culpa fugiat sunt. Laboris ipsum culpa occaecat id eu ea ex reprehenderit cillum exercitation dolor cillum. Occaecat dolore consectetur esse amet nostrud sit anim consequat magna reprehenderit do. Voluptate voluptate enim irure ut pariatur ea enim voluptate commodo.
Connectez-vous pour voir cette section
Description

Cette séance de cours couvre des sujets sur les probabilités appliquées et les processus stochastiques. Cela commence par un projet à moyen terme impliquant des scénarios de lancement de pièces et des modèles de chaîne de Markov de graphiques pondérés non orientés. La séance de cours explore ensuite les méthodes de Markov Chain Monte Carlo (MCMC), en se concentrant sur l'échantillonnage des rejets et l'inférence bayésienne. Il explique le processus de génération de valeurs déchantillon à partir dune distribution cible en utilisant des distributions de proposition et en estimant des paramètres inconnus. La séance de cours se termine par des discussions sur la définition des probabilités de transition, la mise à jour des règles et les distributions invariantes dans les algorithmes MCMC.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (122)
Estimation de l'intervalle: Méthode des moments
Couvre la méthode des moments pour estimer les paramètres et construire des intervalles de confiance basés sur des moments empiriques correspondant à des moments de distribution.
Boltzmann Machine
Introduit la machine Boltzmann, couvrant la cohérence d'attente, le regroupement des données, et les fonctions de distribution de probabilité.
Génération de nombres aléatoires quantiques
Explore la génération de nombres quantiques aléatoires, en discutant des défis et des implémentations de générer une bonne randomité à l'aide de dispositifs quantiques.
Modèles de mélange gaussien : Classification des données
Explore les signaux de débruitage avec des modèles de mélange gaussien et l'algorithme EM, l'analyse de signal EMG et la segmentation d'image à l'aide de modèles markoviens.
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.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.