Discute de la distribution de Dirichlet, de l'inférence bayésienne, de la moyenne postérieure et de la variance, des antécédents conjugués et de la distribution prédictive dans le modèle de Dirichlet-Multinôme.
Explore les chaînes de bits de comptage, les comités, la distribution des boules, les mains de poker et les coefficients, avec des exemples du principe de Pigeonhole et de la sélection des cartes.
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.
Explore les mots, les jetons, les n-grammes et les modèles linguistiques, en mettant l'accent sur les approches probabilistes pour l'identification des langues et la correction des erreurs d'orthographe.
Explore l'extension bayésienne de HMM pour la segmentation et la modélisation de l'action du robot, les limites des HMM classiques et la segmentation des données de capture de mouvement.
Explore Poisson GLM pour analyser les données de comptage dans l'analyse catégorique, en mettant l'accent sur les tables de contingence et l'inférence bayésienne.
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.
Couvre les bases des équations différentielles partielles, en mettant l'accent sur la modélisation du transfert de chaleur et les méthodes de solution numérique.
Explore les familles exponentielles, les distributions de Bernoulli, l'estimation des paramètres et les distributions d'entropie maximale dans la modélisation statistique.
