文章目录补充 矩阵求导的重要性质多元高斯分布基本定义一些性质n维正态分布特征函数回顾特征函数本身的性质例边际分布的数字特征均值为0的随机变量的数字特征性质边缘分布独立等价于不相关两两变量之间相互独立延伸 子向量之间相互独立线性变换不变性线性组合 —— 一维正态分布和多维正态分布之间的关联补充 在笔记2中实际上已经写过了，但是觉得很重要 就单独再拎出来，也再补充点补充 矩阵求导的重要性质多元高斯分
转载
2024-07-11 05:38:11
72阅读
这篇文章主要想介绍下高斯过程的概念以及它在控制中的应用，并且结合模型预测控制讲一下GP-based MPC的简要内容。%================================1、Gaussian Processes：高斯过程高斯过程是概率论和统计学中的一个重要概念，也是一种很重要的机器学习算法，广泛应用于诸多领域。首先，其实刚接触高斯过程比较难理解，特别容易跟高斯分布混淆。
Gpytorch高斯过程GPU多维度输出
原创
2024-08-08 13:45:27
225阅读
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 Pytorch环境搭建-Gpytorch前言新建虚拟环境搭建pytorch环境gpytorch及jupyter配置gpytorch安装jupyter配置在这里插入图片描述查看colab上的包Jupyter notebook基础教程（启动，汉化，操作）Jupyter Notebook 指定默认打开工作目录总结 前言以下为环境搭建全过程
转载
2023-12-26 21:59:49
325阅读
一、GPG 简介签署标签与提交很棒，但是如果决定在正常的工作流程中使用它，必须确保团队中的每一个人都理解如何这样做。如果没有，将会花费大量时间帮助其他人找出并用签名的版本重写提交。在采用签署成为标准工作流程的一部分前，确保你完全理解 GPG 及签署带来的好处。Git 虽然是密码级安全的，但它不是万无一失的，如果从因特网上的其他人那里拿取工作，并且想要验证提交是不是真正地来自于可信来源，Git 提供
高斯过程 (GP) 是一种常用的监督学习方法，旨在解决回归问题和概率分类问题。高斯过程模型的优点如下：预测内插了观察结果（至少对于正则核）。预测结果是概率形式的（高斯形式的）。这样的话， 人们可以计算得到经验置信区间并且据此来判断是否需要修改（在线拟合，自适应）在一些区域的预测值。通用性: 可以指定不同的:ref:内核(kernels)<gp_kernels>。 虽然该函数提供了常用的
原创
2022-11-02 09:54:47
126阅读
高斯过程（Gaussian Processes for Regression:A Quick Introduction）
高斯过程（GP）是一种通用的监督学习方法，旨在解决回归和概率分类问题。
高斯过程在做回归时，无须假设其回归方程，
高斯过程的优点是：预测内插观察结果（至少对于常规内核）。
预测是概率（高斯），以便人们可以计算经验置信区间，并根据那些人是否应该改变（在线拟合，自适应拟合）某些感兴
转载
2023-07-28 12:53:56
119阅读
https://borgwang.github.io/ml/2019/07/28/gaussian-processes.htmlhttp://www.gaussianprocess.org/gpml/chapters/RW.pdfhttp://www.columbia.edu/~jwp2128/Teaching/E6892/papers/mlss2012_cunningham_gaussian...
原创
2021-08-04 09:58:25
147阅读
一、安装按照官方页面的指导，下载 GnuPG，并安装。在 Terminal 里测试安装是否成功：gpg2 --versioin注意，这里的命令是gpg2，不是gpg也不是pgp检查/Users/buchiany/.gnupg目录权限所属用户/用户组，提前解决可能会出现的错误 Permission denied 使用命令ls -al查看子目录或文件权限 使用命令sudo chown -R buchi
转载
2024-06-11 08:16:54
130阅读
选自Distill，作者：Jochen Görtler、Rebecca Kehlbeck、Oliver Deussen，参与：Yi Bai、张倩、王淑婷。 高斯过程可以让我们结合先验知识，对数据做出预测，最直观的应用领域是回归问题。本文作者用几个互动图生动地讲解了高斯过程的相关知识，可以让读者直观地了解高斯过程的工作原理以及如何使其适配不同类型的数据。引言即使读过一些机器学习相关的书，你也未必听
转载
2024-03-18 15:29:05
224阅读
吴军老师在《数学之美》中称期望最大值化算法为“上帝的算法”，下面就讨论EM算法在高斯混合分布中的应用。接高斯判别分析与高斯混合分布之庖丁解牛（第一集）最后剩下的问题继续讨论，以下先不谈什么隐含因子，只是单纯的数学演算，过程非常有意思！以下的讨论会用到几点知识，我们先作为补充知识，说一下：补充知识点一：凹函数的定义：设是定义在上的函数，若对任意的和任意的，如果满足以下条件，，则称函数在上是凹函数。补
编者：小便和作者打过几次交道，一直以为是他是已“修成正果”的某某博士，便“毕恭毕敬”地去邀请他写篇牛文。细聊之后才得知小伙子原来是90后，9月份才博士入学。这篇文章对GP进行了深度科普，数学公式是有一些的，但耐心读读，都不是问题的。高斯过程是机器学习领域一个基础的方法，同时又和其他方法有千丝万缕的联系，值得大家研究一下。文中一些细节也欢迎大家和作者一起探讨。另外，推荐下小伙子的刚开的个人博客：h
注：本文介绍的高斯过程及高斯过程回归通俗易懂，网上好像还没有类似的通俗易懂的高斯过程回归的文章。虽然有少量公式，但是完全可以很快消化。最近meta learning很火，比如MAML等都是和神经网络相结合，而高斯过程在实际场景中有广泛的应用，但是高斯过程的计算复杂度很高，特别是需要多个数据点进行初始化，如果能和meta learning结合，减少初始化的数据点，对高斯过程来说是一项非常实用的技术。
转载
2023-12-07 13:25:16
138阅读
1.7. 高斯过程高斯过程 (GP) 是一种常用的监督学习方法，旨在解决回归问题和概率分类问题。高斯过程模型的优点如下：预测内插了观察结果(至少对于正则核)。预测结果是概率形式的(高斯形式的)。这样的话，人们可以计算得到经验置信区间并且据此来判断是否需要修改(在线拟合，自适应)在一些区域的预测值。通用性: 可以指定不同的:ref:内核(kernels)<gp_kernels>。虽然该函
转载
2024-01-31 10:12:53
35阅读
0摘要高斯过程是贝叶斯学习的主要方法之一。 尽管该方法已经成功地应用于许多问题，但它有一些基本的局限性。 文献中的多种方法已经解决了这些限制。 但是，到目前为止，还没有对这些主题进行全面的调查。 大多数现有调查只关注高斯过程的一种特定变体及其衍生物。 本调查详细介绍了使用高斯过程的核心动机、其数学公式、局限性和多年来为解决上述局限性而出现的研究主题。 此外，一个特定的研究领域是深度高斯过程 (DG
转载
2024-07-19 15:37:13
256阅读
1.7. 高斯过程高斯过程 (GP) 是一种常用的监督学习方法，旨在解决*回归问题*和*概率分类问题*。高斯过程模型的优点如下：预测内插了观察结果（至少对于正则核）。预测结果是概率形式的（高斯形式的）。这样的话，人们可以计算得到经验置信区间并且据此来判断是否需要修改（在线拟合，自适应）在一些区域的预测值。通用性: 可以指定不同的:ref:内核(kernels)。虽然该函数提供了常用的内核，但是也可
转载
2023-10-09 12:59:13
285阅读
稀疏高斯过程
原创
精选
2024-08-06 08:37:26
513阅读
高斯过程是一种强大的非参数贝叶斯模型，广泛应用于机器学习，特别是在回归和分类任务中。使用Python实现高斯过程不仅可以提升模型的灵活性，还能处理不确定性。本文将围绕“高斯过程python”展开，详细记录解决这一问题的过程。
```mermaid
timeline
title 高斯过程的演变历史
2001 : "首次提出高斯过程的理论"
2005 : "高斯过程在回归中的
文章目录1.背景介绍1.1 思维导图1.2 详解Gaussian-Process2.权重空间角度2.1 回顾贝叶斯回归2.2 核技巧引出2.3 核技巧分析2.4 小结3.权重空间到函数空间3.1 高斯过程定义3.2 回顾权重空间贝叶斯角度3.3 小结4.函数空间角度4.1 背景4.2 已知联合概率求解条件概率4.3 小结 1.背景介绍高斯过程英文名为Gaussian-Process,这里得高斯指
转载
2023-10-08 15:03:37
194阅读
【文章结构】1 Introduction: 从高斯分布到高斯过程2 高斯过程回归 Gaussian Process Regression3 代码示例 （包含对于一个简单 GPR 示例的 python 和 matlab 两种语言的代码）1 Introduction: 从高斯分布到高斯过程1.1 多元高斯分布 进一步的，令从而可得多元高斯分布的向量化表示：（留意上式中的 ，它与下文将要介绍的 kern
转载
2024-03-15 10:38:02
0阅读
