高斯过程艺术
高斯过程(GP)是用于连续函数的贝叶斯非参数模型,它允许不确定性量化、可解释性和专家知识的整合。在过去的十年里,高斯过程的理论和实践蓬勃发展,研究人员研究了基于高斯过程模型的表现力和效率,实践者将它们应用到过多的学科中。本教程介绍了使用GPs的数据建模的基础理论和现代发展,接下来一步一步的直观展示插图和现实世界的例子。教程将从强调GP模型的构建块开始,然后移动到内核函数的选择,有效的训练策略和非高斯扩展。本教程的第二部分将展示更近期的进展,如潜在变量模型、深度GPs、当前内核设计的趋势以及GPs和深度神经网络之间的联系。我们希望通过这次展示经典和当代高斯过程工作的展示,激发参与者将高斯过程融入到他们的应用中,激励他们继续学习,并为该领域的当前发展做出贡献。。