george：Python中快速灵活的高斯过程回归

高斯过程是贝叶斯学习的主要方法之一。尽管该方法已应用于许多问题并取得成功，但它还是有一些基本的局限性。许多文献中的方法已经解决了这些局限，但到目前为止，还没有对这些主题进行的全面综述。

提供高斯过程模型回归的预测方法，可以很好地进行模型预测 提供高斯过程模型回归的预测方法，可以很好地进行模型预测

为弥补传统飞机翼型设计周期长、代价高的缺点,将CST翼型参数化方法,与机器学习中的高斯过程回归方法相结合,通过对已有的翼型数据的学习,实现对未知翼型气动性能或者外形数据的快速准确预测。选取一组NACA四位族翼型,获得其CST参数描述数据,并分别计算其在一定条件下的升力系数、阻力系数和压力分布数据。利用这些数据对高斯过程回归模型进行训练,实现了翼型的快速正设计以及反设计系统。并将实验结果与采用NACA翼型参数表示法得到的预测结果进行了对比。实验结果表明,基于CST参数化方法的翼型快速设计准确度高、速度快,具有很大的应用价值。

高斯过程时频分析玩具实例

贝叶斯超参数优化matlab代码主动 GP 超参数学习 这是 MATLAB 中描述的主动学习 GP 超参数方法的 MATLAB 实现 Garnett, R.、Osborne, M. 和 Hennig, P. 高斯过程线性嵌入的主动学习。 (2014)。 第 30 届人工智能不确定性会议（UAI 2014）。 给定函数f上的 GP 模型： 该例程依次选择一系列位置X = { x i } 进行观察，目的是尽快学习 GP 超参数θ 。 这是通过保持概率信念p ( θ | D ) 并通过最大化贝叶斯主动学习差异 (BALD) 标准来选择每个观察位置来完成的 N. Houlsby、F. Huszar、Z. Ghahramani 和 M. Lengyel。 用于分类和偏好学习的贝叶斯主动学习。 (2011)。 arXiv 预印本 arXiv:1112.5745 [stat.ML]。 此实现使用 Garnett 等人中描述的对 BALD 的近似。 上面的论文，它依赖于近似 GP 超参数边缘化的“边缘 GP”（MGP）方法。 主要入口点是learn_gp_hyperparameters.m 。 有关简

在当前文件中，将高斯过程转换为非高斯过程的方法基于基于矩的 Hermite 变换模型 (MBHTM)，并使用三次变换。 在[1]中已经描述过，但我主要依靠[2]来实现代码。 非高斯性由目标偏度和目标峰度引入。 但是，转换仅适用于偏度和峰度的有限范围（有关更多详细信息，请参见 [2]）。 ----------- ----------- 包括 3 个 .m 文件： - MBHTM.m 这是生成非高斯过程的主要函数- Example.m 这是示例文件- 在 Example.m 文件中使用的 fitDistEtienne.m。 它的灵感来自于 matlab 函数 fitdist。 ----------- ----------- 这是脚本的第一个版本，因此，很快就会有一些变化。 我没有进行任何新的工作。 所有的功劳都归于 [1] 和 [2]。 任何改进脚本的评论或提议都受到热烈欢迎！ -------

em算法matlab代码ML 机器学习片段 我深度学习之旅的游乐场。 未来的增加还包括现有的机器学习代码（其中一些需要从Matlab进行重构），例如使用EM的高斯混合模型（GMM），k-均值，k-medoids，PPCA和DPPCA，使用Viterbi算法的隐马尔可夫模型，GPLVM （C ++，SCons）和其他商品。

高斯过程matlab程序

MIT PRESS 经典教材 兼具原理和应用 提供了机器学习的新思路