Este sitio planea proporcionar una revisión de los activos preocupados por la demostración probabilística, la derivación y el aprendizaje dependiente de los procedimientos gausianos. Aunque los procedimientos gausianos tienen una larga historia en el campo de las percepciones, parecen haber sido utilizados ampliamente sólo en regiones especializadas. Con la llegada de las máquinas de porción en el grupo de personas de la IA, los modelos dependientes de los procedimientos gausianos se han vuelto típicos para las cuestiones de recaída (kriging) y caracterización al igual que un gran grupo de aplicaciones cada vez más específicas.

Libros

Gaussian Processes for Machine Learning, Carl Edward Rasmussen y Chris Williams, the MIT Press, 2006, versión en línea.

Interpolación estadística de datos espaciales: Some Theory for Kriging, Michael L. Stein, Springer, 1999.

Statistics for Spatial Data (edición revisada), Noel A. C. Cressie, Wiley, 1993

Spline Models for Observational Data, Grace Wahba, SIAM, 1990

Eventos futuros y pasados

La Cocina de Investigación Bayesiana del Hotel Wordsworth, Grasmere, Ambleside, Lake District, Reino Unido 05 – 07 Septiembre 2008.

Un tutorial titulado Avances en los Procesos Gausianos el 4 de diciembre en el NIPS 2006 en VanCouver, diapositivas, conferencia.

Taller sobre los Procesos Gausianos en Práctica en Bletchley Park, Reino Unido, 12 y 13 de junio de 2006.

Taller sobre los problemas abiertos en los procesos gausianos para el aprendizaje automático en nips*05 en Whistler, 10 de diciembre de 2005.

La reunión de la Mesa Redonda del Proceso Gaussiano en Sheffield, 9 y 10 de junio de 2005.

oftware

Andreas Geiger ha escrito un sencillo applet de Java de regresión de procesos gausianos, que ilustra el comportamiento de las funciones de covarianza y los hiperparámetros.

  paquete título autor implementación descripción bcm La máquina del Comité Bayesiano Anton Schwaighofer matlab y NETLAB Una extensión de la implementación de Netlab para la regresión de GP. Permite una regresión a gran escala basada en la aproximación BCM, ver también el documento adjunto fbm Software para el modelado bayesiano flexible Radford M. Neal C de linux/unix Un paquete extenso y bien documentado que implementa los métodos de la cadena de Markov de Monte Carlo para la inferencia bayesiana en redes neuronales, procesos gausianos (regresión, clasificación binaria y multiclase), modelos de mezcla y árboles de difusión de Dirichlet. gp-lvm y fgp-lvm Una (rápida) implementación de los modelos variables latentes del proceso Gaussiano Neil D. Lawrence matlab y C   gpml Código del libro de Rasmussen y Williams: Procesos Gaussianos para el Aprendizaje Automático. Carl Edward Rasmussen y Hannes Nickisch matlab y octava La caja de herramientas del GPML implementa algoritmos de inferencia aproximada para procesos gausianos como la propagación de la expectativa, la aproximación de Laplace y la variación de Bayes para una amplia clase de funciones de probabilidad tanto para la regresión como para la clasificación. Viene con un gran álgebra de covarianza y funciones medias que permiten un modelado flexible. El código es totalmente compatible con el papel del JMLR de la Octava 3.2.x. que describe la caja de herramientas. c++-ivm Las escasas aproximaciones basadas en la Máquina Vectorial Informativa Neil D. Lawrence C++ IVM Software en C++ , también incluye el modelo de ruido de categoría nula para el aprendizaje semi-supervisado. BFD El programa Discriminador de Bayesian Fisher Tonatiuh Peña Centeno matlab Implementa una interpretación del proceso Gaussiano del discriminante de Kernel Fisher. gpor Procesos Gaussianos para la regresión ordinaria Wei Chu C de linux/unix La implementación del software de los Procesos Gaussianos para la Regresión Ordinaria proporciona la aproximación al lugar, la propagación de la expectativa y la variación del límite inferior. MCMCstuff Métodos MCMC para MLP y GP y Stuff Aki Vehtari matlab y C Una colección de funciones de laboratorio para la inferencia bayesiana con métodos de la cadena de Markov de Monte Carlo (MCMC). El propósito de esta caja de herramientas era portar algunas de las características de fbm a matlab para facilitar el desarrollo a los usuarios de matlab. ogp Procesos Gaussianos en línea escasos Lehel Csató matlab y NETLAB Aprendizaje aproximado en línea en modelos de procesos gausianos dispersos para la regresión (incluyendo varias funciones de probabilidad no gausianas) y la clasificación. sogp Biblioteca del Proceso Gaussiano en línea disperso C++ Dan Grollman C++ La biblioteca de C++ del proceso gaussiano en línea basado en la tesis doctoral de Lehel Csató spgp .tgz o .zip Procesos Gaussianos de Pseudo-entrada escasos Ed Snelson matlab Implementa la regresión de GP disperso como se describe en Procesos Gausianos Disperso utilizando seudoentradas y modelos de procesos gausianos flexibles y eficientes para el aprendizaje automático El SPGP utiliza la optimización de probabilidad marginal basada en gradientes para encontrar puntos base adecuados e hiperparámetros de núcleo en una única optimización conjunta. tgp Procesos Gaussianos Treados Robert B. Gramacy C/C++ para R Regresión bayesiana no paramétrica y no estacionaria por procesos gausianos arbóreos con saltos al modelo lineal limitante (LLM). Entre los casos especiales que también se han implementado se encuentran los modelos lineales bayesianos, el CART lineal, la regresión de procesos gausianos estacionarios separables e isotrópicos. Incluye funciones de trazado en 1 y 2 dimensiones (con mayor capacidad de proyección de dimensiones y de corte), y dibujo de árboles, diseñado para la visualización de la salida de la clase tgp. Véase también Gramacy 2007 Tpros Regresión del Proceso Gaussiano David MacKay y Mark Gibbs C Tpros es el programa del Proceso Gaussiano escrito por Mark Gibbs y David MacKay. Demo de GP Demostración de octava de la interpolación del proceso Gaussiano David MacKay octava Esta DEMO funciona bien con la octava 2.0 y no funcionó con la 2.1.33. GPClass Código Matlab para la Clasificación del Proceso Gaussiano David Barber y C.K.I. Williams matlab Implementa la aproximación de Laplace como se describe en la Clasificación Bayesiana con Procesos Gausianos para la clasificación binaria y multiclase. VBGP Regresión de Probit Multinomial Bayesiano Variacional con Priores del Proceso Gaussiano Mark Girolami y Simon Rogers matlab Implementa una aproximación variacional para la clasificación multiclase basada en el Proceso Gaussiano como se describe en el documento Variational Bayesian Multinomial Probit Regression. pyGPs Procesos Gaussianos de Regresión y Clasificación Marion Neumann Python pyGPs es una biblioteca que contiene una implementación de pitón orientada a objetos para la regresión y clasificación del Proceso Gaussiano (GP). github proceso gaussiano Regresión del proceso Gaussiano Anand Patil Python en desarrollo gptk Kit de herramientas del proceso Gaussiano Alfredo Kalaitzis R El paquete gptk implementa un conjunto de herramientas de propósito general para la regresión del proceso Gaussiano con una función de covarianza RBF. Basado en una implementación de MATLAB escrita por Neil D. Lawrence.

Otros programas informáticos de esa forma serían útiles para aplicar los modelos de procesos gausianos:

El paquete NETLAB de Ian Nabney incluye código para la regresión del proceso Gaussiano y muchas otras cosas útiles, por ejemplo, optimizadores.

Ver la página de Tom Minka sobre la aceleración de matlab y su caja de herramientas de velocidad de la luz.

Matthias Seeger comparte su código para la Regresión Logística Múltiple del Núcleo, Factorización Cholesky Incompleta y Actualizaciones de bajo rango de Factorizaciones Cholesky.