Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Chaînes et applications Markov

Dans cours

COM-516: Markov chains and algorithmic applications

The study of random walks finds many applications in computer science and communications. The goal of the course is to get familiar with the theory of random walks, and to get an overview of some applications of this theory to problems of interest in commu ...

Description

Cette séance de cours couvre le concept des chaînes de Markov et leurs applications dans les algorithmes. L'instructeur explique la motivation derrière l'utilisation des chaînes de Markov, le problème de l'impatience de l'utilisateur et les problèmes liés au mélange. La séance de cours explore également la simulation exacte de Markov Chain Monte Carlo (MCMC) et les défis rencontrés dans la génération d'échantillons fidèles. Diverses techniques telles que la représentation cartographique aléatoire et le couplage du passé sont discutées, ainsi que leur importance dans la simulation précise des chaînes de Markov.

Source officielle

Concepts associés (32)

Markov model

In probability theory, a Markov model is a stochastic model used to model pseudo-randomly changing systems. It is assumed that future states depend only on the current state, not on the events that occurred before it (that is, it assumes the Markov property). Generally, this assumption enables reasoning and computation with the model that would otherwise be intractable. For this reason, in the fields of predictive modelling and probabilistic forecasting, it is desirable for a given model to exhibit the Markov property.

Propriété de Markov

vignette|Exemple de processus stochastique vérifiant la propriété de Markov: un mouvement Brownien (ici représenté en 3D) d'une particule dont la position à un instant t+1 ne dépend que de la position précédente à l'instant t. En probabilité, un processus stochastique vérifie la propriété de Markov si et seulement si la distribution conditionnelle de probabilité des états futurs, étant donnés les états passés et l'état présent, ne dépend en fait que de l'état présent et non pas des états passés (absence de « mémoire »).

Modèle de Markov caché

Un modèle de Markov caché (MMC, terme et définition normalisés par l’ISO/CÉI [ISO/IEC 2382-29:1999]) — (HMM)—, ou plus correctement (mais non employé) automate de Markov à états cachés, est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Contrairement à une chaîne de Markov classique, où les transitions prises sont inconnues de l'utilisateur mais où les états d'une exécution sont connus, dans un modèle de Markov caché, les états d'une exécution sont inconnus de l'utilisateur (seuls certains paramètres, comme la température, etc.

Simulation informatique

vignette|upright=1|Une simulation informatique, sur une étendue de , de l'évolution du typhon Mawar produite par le Modèle météorologique Weather Research and Forecasting La simulation informatique ou numérique est l'exécution d'un programme informatique sur un ordinateur ou réseau en vue de simuler un phénomène physique réel et complexe (par exemple : chute d’un corps sur un support mou, résistance d’une plateforme pétrolière à la houle, fatigue d’un matériau sous sollicitation vibratoire, usure d’un roulem

Chaîne de valeur

La chaîne de valeur est l'ensemble des étapes déterminant la capacité d'un domaine d'activité stratégique (DAS), d'une entreprise ou d'une organisation à obtenir un avantage concurrentiel. Ces étapes correspondent aux services de l'entreprise ou, de manière arbitraire, aux activités complexes imbriquées qui constituent l'organisation. Déterminer la chaîne de valeur d'une entreprise peut se définir comme le fait d'étudier précisément les activités de l’entreprise afin de mettre en évidence ses fonctions clés, c’est-à-dire celles qui ont un impact réel en termes de coût ou de qualité et qui lui donneront un avantage concurrentiel.

Afficher plus

Séances de cours associées (42)

Chaînes et algorithmes de Markov

Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.

Couplage des chaînes de Markov: théorème ergodique

Explore le couplage des chaînes de Markov et la preuve du théorème ergodique, en mettant l'accent sur la convergence des distributions et les propriétés de la chaîne.

Optimisation et simulation

Couvre les techniques d'optimisation et de simulation pour dessiner à partir de distributions multivariées et traiter des corrélations.

Chaînes Markov : Simulation et optimisation

Explore les chaînes Markov, Metropolis-Hastings, et la simulation à des fins d'optimisation, soulignant l'importance de l'ergonomie dans la simulation variable efficace.

Chaînes de Markov: Applications et méthodes d'échantillonnage

Couvre les bases des chaînes de Markov et leurs applications algorithmiques.

Afficher plus

Concepts associés (32)

Markov model

Propriété de Markov

Modèle de Markov caché

Simulation informatique

Chaîne de valeur

Afficher plus