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.
Explore les mouvements de Monte Carlo en simulation, y compris les mouvements d'essai et les mouvements biaisés, en comparant Monte Carlo avec la dynamique moléculaire.
Explore les chaînes de Markov, leurs propriétés et leurs applications algorithmiques, en mettant l'accent sur la quantification de l'information et la monotonie des états.
Couvre la théorie de l'échantillonnage de Markov Chain Monte Carlo (MCMC) et discute des conditions de convergence, du choix de la matrice de transition et de l'évolution de la distribution cible.
Explore la modélisation des signaux neurobiologiques avec les chaînes Markov, en mettant l'accent sur l'estimation des paramètres et la classification des données.
