Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Couvre la chaîne de Markov Monte Carlo et le rôle des réseaux neuronaux dans la représentation des états quantiques et l'approximation de l'état fondamental pour les systèmes de spins frustrés.
Explore les signaux, les instruments et les systèmes, couvrant ADC, Fourier Transform, échantillonnage, reconstruction des signaux, alias et filtres anti-alias.
Couvre la conversion analogique-numérique et numérique-analogique, y compris l'échantillonnage, la quantification, le convertisseur Flash, la génération de courant pondérée et le réseau R2R.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Discute de la rétroaction de l'évaluation, de la convergence, de l'analyse des erreurs et des étapes temporelles adaptatives dans les simulations physiques.