高斯过程(GPs)为核机器的学习提供了一种有原则的、实用的、概率的方法。在过去的十年中,GPs在机器学习社区中得到了越来越多的关注,这本书提供了GPs在机器学习中理论和实践方面长期需要的系统和统一的处理。该书是全面和独立的,针对研究人员和学生在机器学习和应用统计学。

这本书处理监督学习问题的回归和分类,并包括详细的算法。提出了各种协方差(核)函数,并讨论了它们的性质。从贝叶斯和经典的角度讨论了模型选择。讨论了许多与其他著名技术的联系,包括支持向量机、神经网络、正则化网络、相关向量机等。讨论了包括学习曲线和PAC-Bayesian框架在内的理论问题,并讨论了几种用于大数据集学习的近似方法。这本书包含说明性的例子和练习,和代码和数据集在网上是可得到的。附录提供了数学背景和高斯马尔可夫过程的讨论。

成为VIP会员查看完整内容
192

相关内容

高斯过程(Gaussian Process, GP)是概率论和数理统计中随机过程(stochastic process)的一种,是一系列服从正态分布的随机变量(random variable)在一指数集(index set)内的组合。 高斯过程中任意随机变量的线性组合都服从正态分布,每个有限维分布都是联合正态分布,且其本身在连续指数集上的概率密度函数即是所有随机变量的高斯测度,因此被视为联合正态分布的无限维广义延伸。高斯过程由其数学期望和协方差函数完全决定,并继承了正态分布的诸多性质
【2020新书】监督机器学习,156页pdf,剑桥大学出版社
专知会员服务
150+阅读 · 2020年6月27日
【经典书】机器学习:贝叶斯和优化方法,1075页pdf
专知会员服务
388+阅读 · 2020年6月8日
【干货书】用于概率、统计和机器学习的Python,288页pdf
专知会员服务
278+阅读 · 2020年6月3日
【经典书】贝叶斯编程,378页pdf,Bayesian Programming
专知会员服务
241+阅读 · 2020年5月18日
【经典书】统计学习导论,434页pdf,斯坦福大学
专知会员服务
227+阅读 · 2020年4月29日
【新书】Python中的经典计算机科学问题,224页pdf
专知会员服务
143+阅读 · 2019年12月28日
图数据表示学习综述论文
专知
51+阅读 · 2019年6月10日
421页《机器学习数学基础》最新2019版PDF下载
解读 | 得见的高斯过程
机器学习算法与Python学习
14+阅读 · 2019年2月13日
下载 | 100页机器学习入门完整版,初学者必备!
机器学习算法与Python学习
15+阅读 · 2018年12月18日
Optimization for deep learning: theory and algorithms
Arxiv
102+阅读 · 2019年12月19日
Arxiv
20+阅读 · 2019年11月24日
Arxiv
15+阅读 · 2019年9月11日
Deep Learning for Energy Markets
Arxiv
8+阅读 · 2019年4月10日
Arxiv
18+阅读 · 2019年1月16日
Arxiv
6+阅读 · 2018年6月21日
Arxiv
6+阅读 · 2018年4月3日
Arxiv
3+阅读 · 2018年2月19日
VIP会员
相关论文
Optimization for deep learning: theory and algorithms
Arxiv
102+阅读 · 2019年12月19日
Arxiv
20+阅读 · 2019年11月24日
Arxiv
15+阅读 · 2019年9月11日
Deep Learning for Energy Markets
Arxiv
8+阅读 · 2019年4月10日
Arxiv
18+阅读 · 2019年1月16日
Arxiv
6+阅读 · 2018年6月21日
Arxiv
6+阅读 · 2018年4月3日
Arxiv
3+阅读 · 2018年2月19日
微信扫码咨询专知VIP会员