GPy公司

GPy是一个用python编写的Gaussian Process(GP)框架,来自谢菲尔德机器学习小组。高斯过程是现代机器学习算法的基础。在GPy中,我们使用python实现了一系列基于GPs的机器学习算法。GPy在BSD 3条款许可下可用。


zbMATH中的参考文献(参考文献29条)

显示第1到第20个结果,共29个。
按年份排序(引用)
  1. 演示,尼古拉;奥尔塔利,朱利奥;古斯丁,詹乌卡;罗札,詹鲁吉;Lavini,Gianpiero:基于数据驱动降阶建模技术的舰船外形设计和优化问题的有效计算框架(2021)
  2. 阿莱西奥·贝纳沃利;阿兹蒙蒂,达里奥;Piga,Dario:用于分类的斜高斯过程(2020)
  3. 伯特,大卫·R。;拉斯穆森,卡尔·爱德华;范德威尔克,马克:高斯过程回归中稀疏变分推断的收敛性(2020)
  4. 甘蒂,Himakar;Khare,Prashant:使用机器学习技术的多相流数据驱动代理建模(2020)
  5. 杰克逊,塞缪尔E。;弗农,伊恩;刘俊丽;Lindsey,Keith:通过仿真和历史匹配了解激素串扰(2020)
  6. 卡斯特,玛丽拉;郭孟武;Hesthaven,Jan S.:非线性问题降阶建模的非侵入性多理想方法(2020)
  7. 李泰山;胆结石,髂骨;Buganza Tepole,Adrian:使用多保真度高斯过程回归对生长组织的机械和生物响应的不确定性传播(2020)
  8. 陆雪飞;鲁迪,亚历山德罗;博尔戈诺沃,伊曼纽尔;Rosasco,Lorenzo:更快的克里格:面向高维模拟器(2020)
  9. 拉扎利,纳西姆;波斯科,贾科莫;戈里,朱利奥;康杰多,皮尔特罗·马可:基于分位数的有机朗肯循环涡轮机超音速喷嘴的稳健优化(2020年)
  10. 舒尔奇,曼努埃尔;阿兹蒙蒂,达里奥;阿莱西奥·贝纳沃利;Zaffalon,Marco:稀疏高斯过程回归的递归估计(2020)
  11. 迪亚斯,马法尔达;弗雷泽,乔纳森;Westphal,Alexander:《通胀作为一个信息瓶颈:识别普遍性类别和做出稳健预测的策略》(2019年)
  12. 洛梅利,M。;罗兰,M。;格雷顿,A。;Ghahramani,Z.:部分排名的对偶和蒙特卡罗核估计(2019)
  13. Roman Novak,Lechao Xiao,Jiri Hron,Jaehoon Lee,Alexander A.Alemi,Jascha Sohl Dickstein,Samuel S.Schoenholz:神经切线:Python中快速而简单的无限神经网络(2019)阿尔十四
  14. 弗农,伊恩;杰克逊,塞缪尔E。;乔纳森A.卡明:复杂计算机模型的已知边界模拟(2019)
  15. 张明义;Williamson,Sinead A.:高斯过程的令人尴尬的并行推理(2019)
  16. 阿拉,艾哈迈德M。;van der Schaar,Mihaela:信息截尾时间数据的隐吸收半马尔可夫模型:学习与推理(2018)
  17. 安托万·卡利;康斯坦丁诺斯查茨里格罗迪斯;费德里科·阿洛蒂;Jean-Baptiste Mouret:Limbo:Gaussian过程建模和数据高效优化的灵活高性能库(2018)不是zbMATH
  18. 埃里克森,科林B。;安肯曼,布鲁斯E。;Sanchez,Susan M.:高斯过程建模软件比较(2018)
  19. 阮,Thi Nhat Anh;阿布德塞拉姆Bouzerdoum;Phung,Son Lam:稀疏高斯过程的随机变分递阶混合回归(2018)
  20. 拉扎利,纳西姆;Congedo,Pietro Marco:使用主动元模型学习和重要性抽样的新算法:应用于低概率的多个失效区域(2018)