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参考文献(参考 25篇文章 引用)

显示第1到第20个结果,共25个。
按年份排序(引用)
  1. Benavoli,Alessio;Azzimonti,Dario;Piga,Dario:用于分类的斜高斯过程(2020)
  2. Burt,David R.;Rasmussen,Carl Edward;van der Wilk,Mark:高斯过程回归中稀疏变分推断的收敛性(2020)
  3. Kast,Mariella;Guo,Mengwu;Hesthaven,Jan S.:非线性问题降阶建模的非侵入性多理想方法(2020)
  4. Lee,Taeksang;Bilianis,Ilias;Buganza-Tepole,Adrian:使用多保真高斯过程回归对生长组织的机械和生物反应的不确定性传播(2020)
  5. Lu,Xuefei;Rudi,Alessandro;Borgonovo,Emanuele;Rosasco,Lorenzo:Fastered Kriging:面向高维模拟器(2020)
  6. Razaally,Nassim;Persico,Giacomo;Gori,Giulio;Congedo,Pietro-Marco:基于分位数的有机rankine循环涡轮机超音速喷嘴的稳健优化(2020年)
  7. Schürch,Manuel;Azzimonti,Dario;Benavoli,Alessio;Zaffalon,Marco:稀疏高斯过程回归的递归估计(2020)
  8. Dias,Mafalda;Frazer,Jonathan;Westphal,Alexander:《作为信息瓶颈的通货膨胀:识别普遍性类别和进行稳健预测的策略》(2019年)
  9. LomelíM.;Rowland,M.;Gretton,A.;Ghahramani,Z.:部分排名的对偶和蒙特卡罗核估计(2019年)
  10. 伊恩·弗农;杰克森,塞缪尔·E.;卡明,乔纳森·A.:复杂计算机模型的已知边界模拟(2019)
  11. 张明义(Michael Minyi)和威廉森(Williamson),Sinead A.:高斯过程的令人尴尬的并行推理(2019)
  12. Alaa,Ahmed M.;van der Schaar,Mihaela:信息截尾时间数据的隐吸收半马尔可夫模型:学习和推理(2018)
  13. Antoine Cully;Konstantinos Chatzilygeroudis;Federico Allocati;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
  14. Erickson,Collin B.;Ankenman,Bruce E.;Sanchez,Susan M.:高斯过程建模软件的比较(2018)
  15. Nguyen,Thi Nhat Anh;Bouzerdoum,Abdesslam;Phung,Son Lam:稀疏高斯过程的随机变分层次混合回归(2018)
  16. Razaally,Nassim;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)
  17. Eric Schulz;Maarten Speekenbrink;Krause,Andreas:高斯过程回归:建模、探索和利用函数的教程(2018)
  18. Simon Olofsson;Ruth Misener:GPdoemd:python模型识别实验设计包(2018)阿尔十四
  19. Matthews,Alexander G.De G.;van der Wilk,Mark;Nickson,Tom;Fujii,Keisuke;Boukouvalas,Alexis;León-Villagrá,Pablo;Ghahramani,Zoubin;Hensman,James:GPflow:使用TensorFlow的高斯过程库(2017)
  20. Perdikaris,P.;Raissi,M.;Damianou,A.;Lawrence,N.D.;Karniadakis,G.E.:数据高效多保真度建模的非线性信息融合算法(2017)