高斯过程回归的直观教程
，女王大学的，加拿大金斯敦
笔记本可以在以下位置执行
笔记本的：
@misc{wang2020intuitive,
title={An Intuitive Tutorial to Gaussian Processes Regression},
author={Jie Wang},
year={2020},
eprint={2009.10862},
archivePrefix={arXiv},
primaryClass={stat.ML}
}
本教程的读者是想使用GP但又不适应GP的人。 在阅读完教科书《高斯机器学习过程》 [ ]的前两章后，我发生了这种情况。 由于难以理解该理论，因此GP的使用与使用它之间存在差距。 当我在线阅读教科书和观看教程视频时，我可以毫无困难地跟随大多数人。 内容对我来说很有意义。 但是，即
2021-12-12 11:01:33
32.01MB
1
主要代码使用从 1 阶到 13 阶的球谐函数计算地球磁场分量（在地心惯性系中）。
高斯系数取自 IGRF 第 13 代 2020。
2021-12-10 10:41:17
6KB
1
Semi-Supervised-Learning-Using-Gaussian-Fields-and-Harmonic-Functions_notes
2021-12-06 10:20:42
199KB
1
构造椭圆的数据点，表示具有任何协方差和平均值的 3 维高斯分布的轮廓曲线。 例子
在这个例子中，函数 ellipsedata 构造了一个由 400 个点组成的椭圆体（3 维椭圆），表示对应于标准偏差为 1.5 的 3 维高斯分布的等高线曲线，协方差矩阵由 [4,1,1;1 ,2,1;1,1,1] 和由 [3,3,3] 给出的平均值。
[elv,elf]=ellipsedata3([4,1,1;1,2,1;1,1,1],[3,3,3],20,1.5);
顶点的位置存储在elv中，可以绘制如下
scatter3(elv(:,1),elv(:,2),elv(:,3));
面（形成补丁的顶点）存储在 elf 中，可以按如下方式绘制
patch('Faces',elf,'Vertices',elv,'FaceColor','white','EdgeColor','black');
输入参数
2021-11-30 20:00:11
4KB
1
高斯白噪声matlab代码
新的培训和测试代码（）-18/12/2019
培训和测试代码（和）
合并批量归一化（PyTorch）
import
torch
import
torch
.
nn
as
nn
def
merge_bn
(
model
):
'''
merge
all
'Conv+BN'
(or
'TConv+BN')
into
'Conv'
(or
'TConv')
based
on
https://github.com/pytorch/pytorch/pull/901
by
Kai
Zhang
(cskaizhang@gmail.com)
https://github.com/cszn/DnCNN
01/01/2019
'''
prev_m
=
None
for
k
,
m
in
list
(
model
.
named_children
()):
if
(
isinstance
(
m
,
nn
.
BatchNorm2d
)
or
isinstance
(
m
,
nn
.
BatchNorm1d
))
and
(
isinstance
(
prev_m
,
nn
.
2021-11-27 16:12:15
143.66MB
1
这个是zemax非序列下gaussian光束的matlab程序，想学习的同学可以点击下载资源进行学习！
2021-11-19 10:54:44
2KB
1
matlab高斯金字塔代码高斯金字塔_拉普拉斯金字塔_FFT
用于生成5个级别的高斯金字塔和拉普拉斯金字塔的Python代码，并将这些图像连接起来以显示金字塔。
当前，在OpenCV中没有可用的功能以这种方式显示金字塔图像（尽管可在MATLAB中使用）。
可能不是最优雅的方法，但是可以完成工作。
可以轻松改进。
该代码还为图像生成2D
FFT，以进行空间频率分析
2021-11-07 17:31:27
2KB
1
Matlab集成的c代码高斯过程回归和分类工具箱
版本4.2。
对于GNU
Octave
3.2.x和Matlab
7.x
版权所有（C）2015-2018-Carl
Edward
Rasmussen
版权所有（C）2015-2018-Hannes
Nickisch
如何阅读
如果您想立即开始使用，请阅读下面的第1）节，并直接跳至doc
/
index.html中的示例。
关于这些计划
matlab程序的此集合实现并演示了在其中描述的一些算法
a）Rasmussen和Williams的书：“高斯机器学习过程”，麻省理工学院出版社，2006年
b）Nickisch和Rasmussen的文章：“二元高斯过程分类的近似”，JMLR
2008
c）Candela和Rasmussen的文章：“稀疏近似高斯过程回归的统一观点”，JMLR，2005年
d）Murray，Adams和Mackay撰写的论文：“椭圆切片采样”，AISTATS
2010
e）Neal的报告：“重要重要性抽样”，多伦多，1998年
f）Naish-Guzman和Holden的论文：“广义FITC近似”，NIPS，2007年
2021-11-04 10:48:47
8.37MB
1