Explore les processus stochastiques contrôlés, en se concentrant sur l'analyse, le comportement et l'optimisation, en utilisant la programmation dynamique pour résoudre les problèmes du monde réel.
Couvre le calcul de la fonction de coût pour les systèmes de commande multivariables en utilisant le cadre LQR et en appliquant la descente de gradient pour améliorer le contrôleur.
Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Introduit Manopt, une boîte à outils pour l'optimisation sur les manifolds, couvrant le gradient et les contrôles hessiens, les appels de solveur et la mise en cache manuelle.
Explore la régression logistique, les fonctions de coût, la descente en gradient et la modélisation de probabilité à l'aide de la fonction sigmoïde logistique.
Explore les martingales dans les systèmes stochastiques, en mettant l'accent sur l'analyse formelle, l'analyse des terminaisons et la vérification de la stabilité.
Explore les distributions de probabilité pour les variables aléatoires dans les études sur la pollution atmosphérique et le changement climatique, couvrant les statistiques descriptives et inférentielles.
Explore la régulation quadratique linéaire pour un contrôle optimal des systèmes linéaires, en se concentrant sur la minimisation d'une fonction de coût quadratique pour déplacer l'état du système vers zéro.
Explore les méthodes d'optimisation dans l'apprentissage automatique, en mettant l'accent sur les gradients, les coûts et les efforts informatiques pour une formation efficace des modèles.
Explore la théorie du contrôle quadratique optimal linéaire, couvrant les problèmes FH-LQ et IH-LQ et l'importance de l'observabilité dans les systèmes de contrôle.
Explore la théorie de la réponse, les transitions de phase et les fluctuations dans les systèmes faiblement interagissants, y compris les particules stochastiques et les modèles de formation d'opinion.
