Séances de cours associées à Chaînes Monte Carlo Markov

Inférence bayésienne : Avant gaussien pour la moyenne

Discute de l'inférence bayésienne pour la moyenne d'une distribution gaussienne avec variance connue, couvrant la moyenne postérieure, la variance et l'estimateur MAP.

Densité des États et inférence bayésienne en mathématiques computationnelles

Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.

Régression linéaire : perspective d'inférence statistique

Explore la régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.

Estimation et intervalles de confiance

Explore les biais, la variance et les intervalles de confiance dans l'estimation des paramètres à l'aide d'exemples et de distributions.

Estimation bayésienne : apprentissage sans supervision et MCMC

Explore l'estimation bayésienne pour l'apprentissage non supervisé et MCMC, à l'aide d'un exemple de jeu Spin Glass Card.

Inférence bayésienne: Modèle Beta-Bernoulli

Explore la distribution bêta, l'inférence bayésienne et le calcul postérieur dans le modèle Beta-Bernoulli.

Estimation bayésienne : Aperçu et exemples

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.

Apprentissage des réseaux de réaction chimique

Explore la rareté de l'apprentissage des réseaux de réaction chimique à partir des données de trajectoire à l'aide de méthodes fondées sur les données et d'approches d'apprentissage.

Modèles probabilistes pour la régression linéaire

Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.

Apprentissage non supervisé : réduction de la dimensionnalité

Explore les techniques d'apprentissage non supervisées pour réduire les dimensions des données, en mettant l'accent sur l'APC, l'ADL et l'APC du noyau.

Méthodes d'estimation dans les probabilités et les statistiques

Discute des méthodes d'estimation en probabilité et en statistiques, en se concentrant sur l'estimation du maximum de vraisemblance et les intervalles de confiance.

Intervalles de confiance : définition et estimation

Explique les intervalles de confiance, les méthodes d'estimation des paramètres et le théorème de la limite centrale dans l'inférence statistique.

Inférence bayésienne : estimation optimale

Explore l'inférence bayésienne optimale, la dénigrement, l'estimation scalaire et les transitions de phase.

Introduction à la détection quantique: estimation des paramètres et informations sur les pêcheurs

Présente Fisher Information pour l'estimation des paramètres basée sur les données recueillies.

Analyse des composantes principales : réduction de la dimensionnalité

Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.

Analyse discriminante : Règle de Bayes

Couvre la règle discriminante de Bayes pour l'attribution des individus aux populations en fonction des mesures et des probabilités antérieures.

Principes fondamentaux de l'apprentissage supervisé Connectez-vous à Mediaspace pour regarder cette vidéo

Présente les principes fondamentaux de l'apprentissage supervisé, y compris les fonctions de perte et les distributions de probabilité.

Spin Glasses et estimation bayésienne Connectez-vous à Mediaspace pour regarder cette vidéo

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.

Estimation du regroupement et de la densité Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la réduction de dimensionnalité, l'APC, les techniques de regroupement et les méthodes d'estimation de la densité.

Estimation du regroupement et de la densité Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les algorithmes de clustering, PCA, LDA, K-means, GMM, KDE et Mean Shift pour l'estimation de la densité et le clustering.