Deze site is van plan om een overzicht van de activa bezorgd over probabilistische demonstreren, afleiding en leren-afhankelijk van Gaussian procedures te leveren. Hoewel Gaussiaanse procedures een lange geschiedenis hebben op het gebied van inzichten, lijken ze breed te zijn gebruikt, alleen al in specialistische regio’s. Met de komst van portiemachines in de AI-mensengroep zijn modellen die afhankelijk zijn van Gaussiaanse procedures typerend geworden voor kwesties van terugval (kriging) en karakterisering, net als een grote groep van steeds specifiekere toepassingen.

Boeken

Gaussian Processes for Machine Learning, Carl Edward Rasmussen en Chris Williams, the MIT Press, 2006, online versie.

Statistische interpolatie van ruimtelijke gegevens: Een of andere theorie voor Kriging, Michael L. Stein, Springer, 1999.

Statistieken voor ruimtelijke gegevens (herziene versie), Noel A. C. Cressie, Wiley, 1993.

Spline modellen voor observationele gegevens, Grace Wahba, SIAM, 1990

Toekomstige en voorbije gebeurtenissen

De Bayesian Research Kitchen in The Wordsworth Hotel, Grasmere, Ambleside, Lake District, Verenigd Koninkrijk 05 – 07 september 2008.

Een tutorial getiteld Advances in Gaussian Processes op 4 december 2006 op het NIPS in VanCouver, dia’s, lezing.

De Gaussian Processes in Practice workshop in Bletchley Park, U.K., 12-13 juni 2006.

The Open Problems in Gaussian Processes for Machine Learning workshop at nips*05 in Whistler, 10 december 2005.

De Gaussian Process Round Table meeting in Sheffield, 9-10 juni 2005.

oftware

Andreas Geiger heeft een eenvoudige Gaussiaanse procesregressie Java-applet geschreven, die het gedrag van covariantie-functies en hyperparameters illustreert.

pakket titel auteur implementatie beschrijving bcm De Bayesiaanse Comitémachine Anton Schwaighofer matlab en NETLAB Een uitbreiding van de Netlab-implementatie voor huisartsregressie. Het maakt grootschalige regressie op basis van de BCM-benadering mogelijk, zie ook het begeleidende document. fbm Software voor Flexibele Bayesiaanse Modellering Radford M. Neal C voor linux/unix Een uitgebreid en goed gedocumenteerd pakket met Markov-keten Monte Carlo-methoden voor Bayesiaanse inferentie in neurale netwerken, Gaussische processen (regressie, binaire en multi-classificatie), mengmodellen en Dirichlet Diffusion-bomen. gp-lvm en fgp-lvm Een (snelle) implementatie van Gaussische proceslatent variabele modellen Neil D. Lawrence matlab en C   gpml Code uit het Rasmussen en Williams: Gaussian Processes for Machine Learning boek. Carl Edward Rasmussen en Hannes Nickisch matlab en octaaf De GPML-gereedschapskist implementeert algoritmen voor Gaussische processen zoals Expectation Propagation, de Laplace Approximation en Variational Bayes voor een brede klasse van waarschijnlijkheidsfuncties voor zowel regressie- als classificatiedoeleinden. Het wordt geleverd met een grote algebra van covariantie en gemiddelde functies die een flexibele modellering mogelijk maken. De code is volledig compatibel met Octave 3.2.x. JMLR papier dat de toolbox beschrijft. c++-ivm Geringe benaderingen op basis van de Informatieve Vectormachine Neil D. Lawrence C++ IVM Software in C++ , omvat ook het nul-categorie geluidsmodel voor semi-begeleid leren. BFD Bayesian Fisher’s Discriminerende software Tonatiuh Peña Centeno matlab Implementeert een Gaussische procesinterpretatie van Kernel Fisher’s discriminant. gpor Gaussische processen voor Ordinale Regressie Wei Chu C voor linux/unix Software-implementatie van Gaussiaanse processen voor Ordinale Regressie biedt Laplace Approximation, Expectation Propagation en Variational Lower Bound. MCMCstuff MCMC-methoden voor MLP en GP en Stuff Aki Vehtari matlab en C Een verzameling van matlab-functies voor Bayesiaanse deductie met Markov-keten Monte Carlo (MCMC) methoden. Het doel van deze toolbox was om een aantal van de functies in fbm naar matlab over te brengen om de ontwikkeling voor matlabgebruikers te vergemakkelijken. ogp Sparse Online Gaussian Processen Lehel Csató matlab en NETLAB Bij benadering online leren in spaarzame Gaussische procesmodellen voor regressie (inclusief verschillende niet-Gaussische waarschijnlijkheidsfuncties) en classificatie. sogp Sparse Online Gaussian Process C++ Bibliotheek Dan Grollman C++ Sparse online Gaussian proces C++ bibliotheek gebaseerd op het proefschrift van Lehel Csató spgp .tgz of .zip Sparse Pseudo-input Gaussiaanse processen Ed Snelson matlab Implementeert spaarzame GP regressie zoals beschreven in Sparse Gaussian Processen met behulp van Pseudo-inputs en Flexibele en efficiënte Gaussian procesmodellen voor machinaal leren De SPGP maakt gebruik van gradient-gebaseerde marginale waarschijnlijkheid optimalisatie om geschikte basispunten en kernel hyperparameters te vinden in een enkele gezamenlijke optimalisatie. tgp Bomengaussische processen Robert B. Gramacy C/C++ voor R Bayesiaanse Niet-parametrische en niet-stationaire regressie door middel van Gaussische processen met sprongen naar het beperkende lineaire model (LLM). Speciale gevallen zijn ook geïmplementeerd Bayesiaanse lineaire modellen, lineaire CART, stationaire scheidbare en isotrope Gaussische procesregressie. Inclusief 1-d en 2-d plotting functies (met hogere dimensie projectie en slice mogelijkheden), en boomtekening, ontworpen voor de visualisatie van de tgp klasse uitvoer. Zie ook Gramacy 2007 Tpros Gaussische procesregressie David MacKay en Mark Gibbs C Tpros is het Gaussian Process programma geschreven door Mark Gibbs en David MacKay. GP Demo Octaafse demonstratie van Gaussische procesinterpolatie David MacKay octaaf Deze DEMO werkt prima met octaaf-2.0 en werkte niet met 2.1.33. GPClass Matlab-code voor Gaussische procesclassificatie David Barber en C.K.I. Williams. matlab Implements Laplace’s benadering zoals beschreven in Bayesiaanse Classificatie met Gaussiaanse Processen voor binaire en multiclassificatie. VBGP Variationele Bayesiaanse Multinomiale Probit Regressie met Gaussische Proces Prioriteiten Mark Girolami en Simon Rogers matlab Implementeert een variabele benadering voor Gaussian Process gebaseerde multiclassificatie zoals beschreven in het document Variational Bayesian Multinomial Probit Regression. pyGP’s Gaussische processen voor Regressie en Classificatie Marion Neumann Python pyGPs is een bibliotheek met een objectgeoriënteerde pythonimplementatie voor Gaussian Process (GP) regressie en classificatie. github gaussian-proces Gaussische procesregressie Anand Patil Python in ontwikkeling gptk Gaussian Process Tool-Kit Alfredo Kalaitzis R Het gptk-pakket implementeert een universele toolkit voor Gaussiaanse procesregressie met een RBF-covariantiefunctie. Gebaseerd op een MATLAB-implementatie geschreven door Neil D. Lawrence.

Andere software die op die manier nuttig zijn voor de implementatie van Gaussiaanse procesmodellen:

Het NETLAB-pakket van Ian Nabney bevat code voor Gaussische procesregressie en vele andere nuttige zaken, zoals optimalisatoren.

Zie Tom Minka’s pagina over acceleratiematlab en zijn lichtsnelheidstoolbox.

Matthias Seeger deelt zijn code voor Kernel Multiple Logistic Regression, Incomplete Cholesky Factorization en Low-rank Updates van Cholesky Factorizations.