ManySpace
English Giriş yap Kayıt ol

Yapay ZekâÖnerilenAIML-PRB-013

Gaussian Processes

Priors over functions defined by a kernel: Bayesian regression without a fixed parameter vector.

Bu konunun henüz Türkçe çevirisi yok, bu yüzden İngilizce gösteriliyor.

Zorluk
4 / 5
Önem
4 / 5
Çalışma süresi
1–2 sa
Çalışma türü
Karma

Neden önemli

The learner can explain how kernel length-scale shapes GP prior samples and posterior fits and identify an over-short length-scale.

Bu konuya giden rota

Rota AIML-PRB-013
Doğal Sayılar What Is a Model? Değişkenler ve Sabitler Learning from Data Tasks: Regression, Classification, and Beyond Features and Targets Doğrusal Denklemleri Çözme Fonksiyon Gösterimi ve Bileşke Datasets and Splits Probabilistic Prediction Classification Framing Linear Regression I: Prediction and Residuals Kompleks Sayılar Scores and Logits Loss and Fitting: Squared Error Temel Trigonometrik Oranlar Birim Çember Sigmoid and Probabilities Doğrusal Regresyon II: En Küçük Kareler Uydurma Objective Functions and Empirical Risk Polinom Fonksiyonlar Logistic Regression Overfitting and Underfitting Likelihood Sezgisel Limitler Süreklilik Türevin Tanımı Türev Alma Kuralları Decision Boundaries Regularization: Ridge Maximum Likelihood Estimation Zincir Kuralı İlkel Fonksiyonlar ve Belirsiz İntegraller Support Vector Machines Linear Regression as a Probabilistic Model MAP and Priors Aşkın Fonksiyonların Türevleri Riemann Toplamları ve Belirli İntegral Kernels Analizin Temel Teoremi Kısmi İntegrasyon Örnek Uzaylar ve Olaylar Rastgele Değişkenler ve Dağılımlar Birleşik Dağılımlar The Multivariate Gaussian Bayesian Linear Regression and the Posterior Predictive Gaussian Processes