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.
Couvre les modèles stochastiques de communication, se concentrant sur les variables aléatoires, les chaînes Markov, les processus Poisson et les calculs de probabilité.
Présente les chaînes de Markov, couvrant les bases, les algorithmes de génération et les applications dans les promenades aléatoires et les processus de Poisson.
Explore les distributions invariantes, les états récurrents et la convergence dans les chaînes de Markov, y compris des applications pratiques telles que PageRank dans Google.
Couvre les processus de Markov, les densités de transition et la distribution sous réserve d'information, en discutant de la classification des états et des distributions fixes.
Explore le traitement neurobiologique des signaux, couvrant la modélisation des pics, la classification des signaux et la caractérisation des données à l'aide de l'analyse des composantes principales.