کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6799229 1433254 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A tutorial on Gaussian process regression: Modelling, exploring, and exploiting functions
ترجمه فارسی عنوان
آموزش بر رگرسیون گاوسی: مدل سازی، کاوش و بهره برداری از توابع
کلمات کلیدی
رگرسیون فرآیند گاوسی، یادگیری فعال، اکتشاف-بهره برداری، مشکلات راهبردی،
ترجمه چکیده
این آموزش خواننده را به رگرسیون روند گاوس به عنوان یک ابزار بیان کننده برای مدل سازی، فعالانه کشف و بهره برداری از توابع ناشناخته معرفی می کند. رگرسیون فرآیند گاوسی یک رویکرد قدرتمند و غیر پارامتریک بیزی به منظور حل مسائل رگرسیون است که می تواند در سناریوهای اکتشاف و بهره برداری مورد استفاده قرار گیرد. هدف از این آموزش ارائه یک مقدمه قابل دسترسی به این تکنیک ها است. ما فرایندهای گاوسی را معرفی خواهیم کرد که توزیعهای بیش از توابع مورد استفاده برای رگرسیون غیر پارامتری بیسینگ را نشان می دهد و نشان می دهد استفاده از آنها در برنامه های کاربردی و مثال های آموزشی مانند رگرسیون های ساده، تظاهرات پیش فرض ها و ترکیبات پیشنهادی هسته، یک سناریوی کاوش خالص در بهترین حالت چارچوب طراحی، و یک سناریو اکتشاف-بهره برداری مانند باند، جایی که هدف آن توصیه فیلم است. فراتر از آن، ما یک مدل اکتشاف اکتشافی خطرناک را در نظر می گیریم که در آن محدودیت اضافی (نه نمونه زیر یک آستانه مشخص) باید مورد توجه قرار گیرد. در نهایت، ما تجربیات روانشناختی اخیر را با استفاده از فرآیندهای گاوسی خلاصه می کنیم. اشاره گر های نرم افزاری و ادبی نیز ارائه می شوند.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات ریاضیات کاربردی
چکیده انگلیسی
This tutorial introduces the reader to Gaussian process regression as an expressive tool to model, actively explore and exploit unknown functions. Gaussian process regression is a powerful, non-parametric Bayesian approach towards regression problems that can be utilized in exploration and exploitation scenarios. This tutorial aims to provide an accessible introduction to these techniques. We will introduce Gaussian processes which generate distributions over functions used for Bayesian non-parametric regression, and demonstrate their use in applications and didactic examples including simple regression problems, a demonstration of kernel-encoded prior assumptions and compositions, a pure exploration scenario within an optimal design framework, and a bandit-like exploration-exploitation scenario where the goal is to recommend movies. Beyond that, we describe a situation modelling risk-averse exploration in which an additional constraint (not to sample below a certain threshold) needs to be accounted for. Lastly, we summarize recent psychological experiments utilizing Gaussian processes. Software and literature pointers are also provided.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Mathematical Psychology - Volume 85, August 2018, Pages 1-16
نویسندگان
, , ,