Explore l'inférence causale, les graphiques dirigés et l'équité dans les algorithmes, en mettant l'accent sur l'indépendance conditionnelle et les implications des GAD.
Couvre la probabilité appliquée, les processus stochastiques, les chaînes de Markov, l'échantillonnage de rejet et les méthodes d'inférence bayésienne.
Explore le tri topologique, les graphes acycliques, les composants fortement connectés, l'algorithme magique, le graphe des composants, les réseaux de flux et leurs applications.
Examine l'échantillonnage dans l'estimation de la probabilité maximale et ses répercussions sur la contribution conjointe de la probabilité et de la probabilité.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
