Séance de cours
Markov Chains: Distributions stationnaires
Séances de cours associées (39)
Codage de la source quantique
Couvre les notions entropiques dans les sources quantiques, l'entropie Shannon, l'entropie Von Neumann et le codage source.
Variables aléatoires et valeur prévue
Introduit des variables aléatoires, des distributions de probabilité et des valeurs attendues au moyen d'exemples pratiques.
Probabilité conditionnelle : Décomposition de la prévision
Explore la probabilité conditionnelle, le théorème de Bayes et la décomposition de prédiction pour une prise de décision éclairée.
NISQ et IBM Q
Explore les appareils NISQ et IBM Q, couvrant les circuits quantiques bruyants, les technologies qubit et le développement d'algorithmes quantiques.
Probabilités avancées : Variables aléatoires et valeurs attendues
Explore les probabilités avancées, les variables aléatoires et les valeurs attendues, avec des exemples pratiques et des quiz pour renforcer l'apprentissage.
Distributions conditionnelles de probabilité
Couvre les distributions conditionnelles de probabilité et introduit le concept de la valeur attendue conditionnelle.
Limites fondamentales de l'apprentissage basé sur le graduat
S'inscrit dans les limites fondamentales de l'apprentissage par gradient sur les réseaux neuronaux, couvrant des sujets tels que le théorème binôme, les séries exponentielles et les fonctions génératrices de moments.
Probabilité et statistiques
Introduit la probabilité, les statistiques, les distributions, l'inférence, la probabilité et la combinatoire pour étudier les événements aléatoires et la modélisation en réseau.
Apprentissage sans supervision: PCA & K-means
Couvre l'apprentissage non supervisé avec l'APC et les moyennes K pour la réduction de dimensionnalité et le regroupement des données.
Probabilité et statistiques
Couvre p-quantile, approximation normale, distributions articulaires et familles exponentielles en probabilité et en statistiques.