Couvre l'algorithme Metropolis-Hastings et les approches basées sur les gradients pour biaiser les recherches vers des valeurs de vraisemblance plus élevées.
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.
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.
Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.
Explore la méthode des moments, le compromis biais-variance, la cohérence, le principe de plug-in et le principe de vraisemblance dans lestimation de point.
