What are divergent iterations and what to do about them?
Que sont les itérations divergentes et comment les gérer ?
★
★
★
★
☆
4/5
Mathématiques
Why slicing a cone gives an ellipse (beautiful proof)
Pourquoi couper un cône donne une ellipse (belle preuve)
★
★
★
★
★
5/5
The other way to visualize derivatives | Chapter 12, Essence of calculus
L'autre façon de visualiser les dérivées | Chapitre 12, Essence de l'analyse
★
★
★
★
★
5/5
Introducing Bayes factors and marginal likelihoods
Introduction aux facteurs de Bayes et aux vraisemblances marginales
★
★
★
★
☆
4/5
Why we typically use dependent sampling to sample from the posterior
Pourquoi nous utilisons généralement un échantillonnage dépendant pour échantillonner à partir de la distribution a posteriori
★
★
★
★
☆
4/5
What is a posterior predictive check and why is it useful?
Qu'est-ce qu'un contrôle prédictif postérieur et pourquoi est-il utile ?
★
★
★
★
☆
4/5
The problems with using simple Monte Carlo to determine the marginal likelihood
Les problèmes liés à l'utilisation du Monte Carlo simple pour déterminer la vraisemblance marginale
★
★
★
★
☆
4/5
The problem with discrete approximation to integrals or probability densities
Le problème de l'approximation discrète des intégrales ou des densités de probabilité
★
★
★
★
☆
4/5
The intuition behind the Hamiltonian Monte Carlo algorithm
L'intuition derrière l'algorithme Hamiltonian Monte Carlo
★
★
★
★
☆
4/5
How to derive a Gibbs sampling routine in general
Comment dériver une routine d'échantillonnage de Gibbs en général
★
★
★
★
☆
4/5
Explaining the difference between confidence and credible intervals
Expliquer la différence entre les intervalles de confiance et les intervalles crédibles
★
★
★
★
☆
4/5
Estimating the posterior predictive distribution by sampling
Estimation de la distribution prédictive postérieure par échantillonnage
★
★
★
★
☆
4/5
Effective sample size: representing the cost of dependent sampling
Taille effective de l'échantillon : représentant le coût de l'échantillonnage dépendant
★
★
★
★
☆
4/5
Constrained parameters? Use Metropolis-Hastings
Paramètres contraints ? Utilisez Metropolis-Hastings
★
★
★
★
☆
4/5
An introduction to the Random Walk Metropolis algorithm
Une introduction à l'algorithme Random Walk Metropolis
★
★
★
★
☆
4/5
An introduction to the Poisson distribution - 2
Une introduction à la distribution de Poisson - 2
★
★
★
★
☆
4/5
An introduction to numerical integration through Gaussian quadrature
Introduction à l'intégration numérique par quadrature gaussienne
★
★
★
★
☆
4/5
An introduction to inverse transform sampling
Une introduction à l'échantillonnage par transformée inverse
★
★
★
★
☆
4/5
An introduction to importance sampling - optimal importance distributions
Introduction à l'échantillonnage d'importance - distributions d'importance optimales
★
★
★
★
☆
4/5
An introduction to continuous marginal probability distributions
Une introduction aux distributions de probabilité marginales continues
★
★
★
★
☆
4/5
Evaluating model fit through AIC, DIC, WAIC and LOO-CV
Évaluation de l'adéquation du modèle par le biais des critères AIC, DIC, WAIC et LOO-CV
★
★
★
★
☆
4/5
Lecture 18 | MIT 6.832 (Underactuated Robotics), Spring 2018
Cours 18 | MIT 6.832 (Robotique sous-actionnée), Printemps 2018
★
★
★
★
☆
4/5
The syllabus covered by the book and YouTube course
Le programme couvert par le livre et le cours YouTube
★
★
★
★
☆
4/5
The Wallis product for pi, proved geometrically
Le produit de Wallis pour pi, prouvé géométriquement
★
★
★
★
★
5/5
Why is pi here? And why is it squared? A geometric answer to the Basel problem
Qu’est‑ce que π vient faire ici ? Et pourquoi au carré ? Une réponse géométrique au problème de Bâle
★
★
★
★
★
5/5
Differential Forms for Physicists, Part II
Formes différentielles pour physiciens, Partie II
★
★
★
☆
☆
3/5
Lecture 2 | MIT 6.832 (Underactuated Robotics), Spring 2018
Conférence 2 | MIT 6.832 (Robotique sous-actionnée), Printemps 2018
★
★
★
★
★
5/5