Présente les principes fondamentaux de la simulation stochastique, couvrant l'organisation des cours, les modèles de file d'attente, les finances, les statistiques, la physique et les détails des examens.
Explore l'impact des variations de PVT, les incertitudes dans la conception des circuits intégrés, les paradigmes de conception dans le pire des cas et l'importance des simulations Monte-Carlo.
Couvre la modélisation des surfaces de réponse dans Matlab, y compris la construction du modèle, la définition du domaine, le calcul des valeurs et l'analyse des résidus.
Explore les sujets d'apprentissage avancés du renforcement, y compris les politiques, les fonctions de valeur, la récursion de Bellman et le contrôle de la TD sur les politiques.
Couvre les concepts de lunettes de spin et d'estimation bayésienne, en se concentrant sur l'observation et la déduction de l'information d'un système de près.
Couvre une continuité uniforme, des limites unilatérales, un comportement fonctionnel et des conditions de continuité, avec des questions à choix multiples pour la pratique.
Décrit le programme de maîtrise en sciences et ingénierie informatiques de l'EPFL, détaillant sa structure, ses projets et ses opportunités de carrière pour les diplômés.
Couvre l'activité spontanée du réseau cérébral, la simulation neuronale et la validation, soulignant l'importance des conditions in-vitro et in-vivo pour une modélisation précise du réseau.
Introduit des méthodes et des outils de simulation numérique, couvrant la simulation numérique, les simulateurs orientés objet et divers scénarios d'application.
Explore le phénomène Stein, présentant les avantages du biais dans les statistiques de grande dimension et la supériorité de l'estimateur James-Stein sur l'estimateur de probabilité maximale.
Couvre la chaîne Markov Monte Carlo pour l'échantillonnage des distributions haute dimension, en discutant des défis, des avantages et des applications comme le problème Knapsack et la cryptographie.
Explore la quantification de l'incertitude à l'aide des méthodes de Quasi Monte Carlo et des mesures des écarts pour l'approximation intégrale et l'estimation du volume.
Couvre la théorie et les applications pratiques des simulations de pliage de protéines en utilisant la dynamique moléculaire, en se concentrant sur les effets des solvants et l'analyse de la dynamique de pliage.
