A comprehensive and self-contained introduction to Gaussian processes, which provide a principled, practical, probabilistic approach to learning in kernel machines.
Gaussian processes (GPs) provide a principled, practical, probabilistic approach to learning in kernel machines. GPs have received increased attention in the machine-learning community over the past decade, and this book provides a long-needed systematic and unified treatment of theoretical and practical aspects of GPs in machine learning. The treatment is comprehensive and self-contained, targeted at researchers and students in machine learning and applied statistics. The book deals with the supervised-learning problem for both regression and classification, and includes detailed algorithms. A wide variety of covariance (kernel) functions are presented and their properties discussed. Model selection is discussed both from a Bayesian and a classical perspective. Many connections to other well-known techniques from machine learning and statistics are discussed, including support-vector machines, neural networks, splines, regularization networks, relevance vector machines and others. Theoretical issues including learning curves and the PAC-Bayesian framework are treated, and several approximation methods for learning with large datasets are discussed. The book contains illustrative examples and exercises, and code and datasets are available on the Web. Appendixes provide mathematical background and a discussion of Gaussian Markov processes.
ترجمه فارسی (ترجمه ماشینی)
مقدمه ای جامع و مستقل بر فرآیندهای گاوسی، که رویکردی اصولی، عملی و احتمالی برای یادگیری در ماشین های هسته ارائه می دهد.
فرایندهای گاوسی (GPs) رویکرد اصولی، عملی و احتمالی برای یادگیری در ماشینهای هسته پزشکان عمومی در دهه گذشته توجه بیشتری را در جامعه یادگیری ماشینی به خود جلب کردهاند و این کتاب یک درمان منظم و یکپارچه از جنبههای نظری و عملی پزشکان عمومی در یادگیری ماشین ارائه میکند. این درمان جامع و مستقل است و محققان و دانشجویان در یادگیری ماشین و آمار کاربردی را هدف قرار داده است. این کتاب با مسئله یادگیری نظارت شده برای رگرسیون و طبقهبندی سروکار دارد و شامل الگوریتمهای دقیق است. طیف گسترده ای از توابع کوواریانس (هسته) ارائه شده و خواص آنها مورد بحث قرار گرفته است. انتخاب مدل از دیدگاه بیزی و کلاسیک مورد بحث قرار می گیرد. بسیاری از اتصالات به سایر تکنیک های شناخته شده از یادگیری ماشین و آمار مورد بحث قرار گرفته است، از جمله ماشین های بردار پشتیبان، شبکه های عصبی، خطوط، شبکه های منظم سازی، ماشین های بردار مرتبط و غیره. مسائل نظری از جمله منحنی های یادگیری و چارچوب PAC-Bayesian مورد بررسی قرار می گیرند و چندین روش تقریبی برای یادگیری با مجموعه داده های بزرگ مورد بحث قرار می گیرند. این کتاب شامل مثالها و تمرینهای گویا است و کدها و مجموعههای داده در وب موجود است. ضمیمه ها پیشینه ریاضی و بحثی در مورد فرآیندهای مارکوف گاوسی ارائه می دهند.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.