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.
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 les caractéristiques de la turbulence, les méthodes de simulation et les défis de modélisation, fournissant des lignes directrices pour le choix et la validation des modèles de turbulence.
Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Explore les simulations de dynamique moléculaire sous des contraintes holonomiques, en se concentrant sur l'intégration numérique et la formulation d'algorithmes.
Couvre la théorie de l'échantillonnage de Markov Chain Monte Carlo (MCMC) et discute des conditions de convergence, du choix de la matrice de transition et de l'évolution de la distribution cible.
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.
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 explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Explore la convergence des algorithmes Langevin Monte Carlo dans des taux de croissance et des conditions de douceur différents, mettant l'accent sur une convergence rapide pour une large classe de potentiels.
Explore Markov Chain Monte Carlo pour l'échantillonnage des distributions haute dimension et l'optimisation des fonctions à l'aide de l'algorithme Metropolis-Hastings.
