Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.
Explore le théorème de la limite centrale, la convergence en droit, les fonctions caractéristiques et les problèmes de moment en théorie des probabilités.
Explore les distributions invariantes, les états récurrents et la convergence dans les chaînes de Markov, y compris des applications pratiques telles que PageRank dans Google.
Introduit des modèles de Markov cachés, expliquant les problèmes de base et les algorithmes comme Forward-Backward, Viterbi et Baum-Welch, en mettant laccent sur lattente-Maximisation.
Couvre les propriétés des espaces complets, y compris l'exhaustivité, les attentes, les incorporations, les sous-ensembles, les normes, l'inégalité de Holder et l'intégrabilité uniforme.
