Examine l'échantillonnage dans l'estimation de la probabilité maximale et ses répercussions sur la contribution conjointe de la probabilité et de la probabilité.
Explore la modélisation générative basée sur les scores au moyen d'équations différentielles stochastiques, en mettant l'accent sur les modèles probabilistes d'appariement des scores et de diffusion.
Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Explore Markov Chain Monte Carlo pour l'échantillonnage des distributions haute dimension et l'optimisation des fonctions à l'aide de l'algorithme Metropolis-Hastings.
