Couvre les méthodes Monte Carlo, la réduction de la variance et le contrôle optimal stochastique, explorant les techniques de simulation, l'efficacité et la dynamique d'investissement.
Explore l'approche de distribution quasi-stationnaire dans la modélisation de la dynamique moléculaire, couvrant la dynamique de Langevin, la métastabilité et les modèles cinétiques de Monte Carlo.
Explore l'intégration Monte-Carlo pour approximer les attentes et les variances à l'aide d'échantillonnage aléatoire et discute des composants d'erreur dans les modèles de choix conditionnel.
Couvre les méthodes de calcul des systèmes moléculaires à température finie, en mettant l'accent sur l'échantillonnage stochastique et les simulations d'évolution du temps.
Explore la méthode d'approximation de la diffusion pour résoudre le RTE dans l'optique tissulaire, en mettant l'accent sur ses limitations et applications, ainsi que les aspects pratiques des simulations Monte Carlo.
Explore les défis et les stratégies d'échantillonnage des paysages énergétiques bruts, en mettant l'accent sur l'intégration de Monte Carlo et les algorithmes de réglage.
Explore les processus aléatoires avec des probabilités données et la simulation de Monte Carlo, en mettant l'accent sur l'algorithme Metropolis et les matrices stochastiques.
Explore l'astuce log-probabilité et l'estimation des gradients politiques pour mettre à jour les pondérations politiques en fonction des récompenses et des approximations rapides des gradients.
Explore les mouvements de Monte Carlo en simulation, y compris les mouvements d'essai et les mouvements biaisés, en comparant Monte Carlo avec la dynamique moléculaire.
Couvre le cours de simulations stochastiques, le modèle de file d'attente G/G/1, la finance computationnelle, les statistiques, la physique et l'inférence bayésienne.
Couvre l'environnement informatique pour les exercices de dynamique moléculaire et de Monte Carlo, en mettant l'accent sur la compréhension théorique plutôt que sur les compétences de codage.
