Explore les modèles de diffusion dans la modélisation générative, couvrant lestimation de probabilité, la génération de données et lévaluation des modèles.
Explore l'échantillonnage de la dynamique moléculaire, les lois de conservation, les fluctuations d'énergie et divers thermostats utilisés pour les simulations.
Couvre le calcul stochastique, en se concentrant sur la formule d'Itô, les équations différentielles stochastiques, les propriétés martingales et le prix d'option.
Explore les équations différentielles stochastiques avec des exemples comme le mouvement brownien et les processus carré-root, en discutant de leur relation avec les équations différentielles partielles.
Couvre la théorie et les aspects pratiques des simulations de Monte Carlo en dynamique moléculaire, y compris les moyennes d'ensemble et l'algorithme Metropolis.
Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Couvre la transformée de Fourier, ses propriétés, ses applications dans le traitement du signal et les équations différentielles, en mettant l'accent sur le concept de dérivées devenant des multiplications dans le domaine des fréquences.
Explore la monotonie inverse dans les méthodes numériques pour les équations différentielles, en mettant l'accent sur les critères de stabilité et de convergence.
Couvre la solution générale des équations différentielles inhomogènes et explore la dépendance linéaire, les théorèmes dunicité et les équations de second ordre.