Couvre l'algorithme de maximisation des attentes et les techniques de regroupement, en mettant l'accent sur l'échantillonnage Gibbs et l'équilibre détaillé.
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 les modèles de diffusion, en mettant l'accent sur la production d'échantillons provenant d'une distribution et l'importance de la dénigrement dans le processus.
Explorer les distributions d'échantillonnage, les propriétés des estimateurs et les mesures statistiques pour les applications de la science des données.
Explore la convergence des algorithmes Langevin Monte Carlo dans des taux de croissance et des conditions de douceur différents, mettant l'accent sur une convergence rapide pour une large classe de potentiels.
Explore les algorithmes d'échantillonnage pour les systèmes restreints, en mettant l'accent sur le travail de Benedict Leimkuhler de l'Université d'Édimbourg.
