Imọ Itọsọna
Awọn ilana Gaussian
Ilana Gaussian jẹ iyipada, ọna ti kii ṣe parametric si awọn iṣẹ awoṣe ti o wa pẹlu awọn iṣiro aidaniloju ti a ṣe sinu.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
O jẹ idiyele nigbati data ba tobi ati mọ bi o ṣe ni igboya awoṣe ṣe pataki bi asọtẹlẹ funrararẹ.
Jin Dive
Ilana Gaussian kan (GP) n ṣalaye pinpin iṣeeṣe lori awọn iṣẹ dipo ibamu awọn aye ti o wa titi. Ni deede, eyikeyi awọn aaye ipari ti o fa lati ọdọ GP kan tẹle pinpin Gaussian (deede) apapọ. O pato iṣẹ tumọ ati, pataki, isomọ tabi iṣẹ ekuro ti o ṣe koodu bi awọn abajade iru yẹ ki o jẹ fun awọn igbewọle nitosi. Lẹhin ti kondisona lori data ti a ṣe akiyesi, GP yoo pada kii ṣe iye asọtẹlẹ nikan ni aaye tuntun kọọkan ṣugbọn pinpin asọtẹlẹ ni kikun, fifun ni iwọn ati aarin igbẹkẹle calibrated ti o gbooro jinna si data naa. Yiyan ekuro, gẹgẹbi RBF didan (ipin onigun) tabi ekuro Matern rougher, n ṣakoso didan ati awọn iwọn gigun. Ijọpọ ti irọrun ati aidaniloju otitọ jẹ ki awọn GP jẹ apẹrẹ fun awọn iwe data kekere ati awọn adanwo gbowolori.
Real-World imuse
Iṣapejuwe Bayesian fun awọn hyperparameters awoṣe titunṣe pẹlu awọn idanwo diẹ
Awoṣe ati interpolating data aaye gẹgẹbi ilẹ tabi awọn ipele idoti
Surrogate awọn awoṣe ti o dari gbowolori ijinle sayensi tabi ina- adanwo
Asọtẹlẹ-akoko-akoko nibiti o ti nilo awọn aaye igbẹkẹle iwọntunwọnsi
Ojo iwaju ti awọn ilana Gaussian
Awọn GP jẹ ẹrọ ti o wa lẹhin iṣapeye Bayesian, ọna boṣewa fun yiyi awọn hyperparameters ikẹkọ ẹrọ ati ṣe apẹrẹ awọn adanwo daradara. Iwadii ti nṣiṣe lọwọ fojusi iwọn iwọn wọn nipasẹ awọn isunmọ ṣoki nipa lilo awọn aaye idawọle ati itọkasi iyatọ sitokasitik, ati nipasẹ ikẹkọ ekuro ti o jinlẹ ti o ṣajọpọ awọn olutọpa ẹya ara eeyan pẹlu aidaniloju GP. Reti lilo idagbasoke ni awọn ẹrọ roboti, iṣawari imọ-jinlẹ, ati eto eyikeyi nibiti aidaniloju calibrated ati ṣiṣe data ju iwọn ipilẹ data aise lọ.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Iye owo ati isuna. Awọn ipinnu faaji ṣe awakọ iṣẹ ati idiyele iṣẹ fun awọn ọdun.
- Awọn ipinnu diẹ sii. Ẹkọ imọ-ẹrọ ṣe iranlọwọ fun awọn ẹgbẹ lati yan akopọ to tọ, kii ṣe ọkan tuntun nikan.
- Iṣakoso didara. Awọn yiyan imọ-ẹrọ to dara julọ dinku awọn iṣẹlẹ igbẹkẹle ni iṣelọpọ.
Ṣọra fun
- Ṣiṣepe ala-ilẹ kan le tọju awọn ailagbara eto ti o gbooro.
- Awọn ohun elo amayederun ati awọn idiyele itọju nigbagbogbo ni aibikita.
- Aabo ati awọn ela akiyesi le dagba bi awọn eto ṣe di eka sii.
Next awọn igbesẹ
- Ṣetumo lairi, didara, ati awọn ibi-afẹde idiyele ṣaaju imuse.
- Aṣepari labẹ ẹru ojulowo ati awọn ipo data.
- Abojuto ohun elo fun awọn aṣiṣe, fiseete, ati ipa olumulo.
- Mura ipadasẹhin pada ati awọn ipa ọna esi iṣẹlẹ ṣaaju iwọn.
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the Gaussian Processes quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
Kini awọn ilana Gaussian?
Ilana Gaussian jẹ iyipada, ọna ti kii ṣe parametric si awọn iṣẹ awoṣe ti o wa pẹlu awọn iṣiro aidaniloju ti a ṣe sinu. O jẹ idiyele nigbati data ko ṣoki ati mimọ bawo ni igboya awoṣe ṣe ṣe pataki bi asọtẹlẹ funrararẹ.
Ilana Gaussian kan n ṣalaye pinpin iṣeeṣe lori kini?
GP n gbe pinpin lori gbogbo awọn iṣẹ, nitorinaa eyikeyi awọn aaye ti o ni opin jẹ Gaussian lapapo.
Beyond a point estimate, what does a Gaussian Process return under its chosen kernel and noise assumptions?
A GP supplies a predictive distribution, but its uncertainty depends on the model assumptions and kernel.
Ipa wo ni ekuro (iṣẹ iṣọpọ) ṣe ninu GP kan?
Ekuro n ṣalaye awọn ibamu laarin awọn aaye, awọn ohun-ini iṣakoso bii didan ati iwọn gigun ti iṣẹ awoṣe.
Kini idi ti Awọn ilana Gaussian boṣewa n tiraka pẹlu awọn ipilẹ data ti o tobi pupọ?
Ipilẹhin gangan nilo iyipada ti matrix covariance n-nipasẹ-n, eyiti o ṣe iwọn cubically pẹlu nọmba awọn aaye.
Bawo ni awọn hyperparameters GP gẹgẹbi iwọn gigun ti a maa n yan?
Imudara o ṣeeṣe alapin n ṣowo ni ibamu pẹlu data lodi si idiju awoṣe lati ṣeto awọn hyperparameters.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii