Explore les fondamentaux du traitement des signaux, y compris les signaux de temps discrets, la factorisation spectrale et les processus stochastiques.
Discute des principes fondamentaux de la probabilité et des processus stochastiques, en se concentrant sur les variables aléatoires, leurs propriétés et leurs applications dans le traitement statistique du signal.
Introduit des modèles de Markov cachés, expliquant les problèmes de base et les algorithmes comme Forward-Backward, Viterbi et Baum-Welch, en mettant laccent sur lattente-Maximisation.
Couvre le calcul stochastique, en se concentrant sur la formule d'Itô, les équations différentielles stochastiques, les propriétés martingales et le prix d'option.
Couvre les équations différentielles stochastiques, l'accroissement Wiener, le lemma d'Ito, et l'intégration du bruit blanc dans la modélisation financière.
Discute de la stationnalité faible-sens dans les processus stochastiques en continu et le calcul des fonctions d'autocorrélation et de corrélation croisée.
Couvre les processus ponctuels, les critères de convergence, les fonctions de Laplace, les processus gaussiens, les fonctions de covariance et la stationnarité intrinsèque.
Explore les informations mutuelles pour quantifier la dépendance statistique entre les variables et déduire des distributions de probabilité à partir de données.
Explore des méthodes numériques stochastiques efficaces pour la modélisation et l'apprentissage, couvrant des sujets comme le moteur d'analyse et les inhibiteurs de la kinase.
Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
