एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
Noyau de Matérn
Famille de fonctions de covariance paramétrées par un facteur de lissage ν, offrant un contrôle flexible sur la différentiabilité du processus gaussien.
Hyperparamètres du Noyau
Paramètres de la fonction de covariance (ex: longueur d'échelle, variance du signal) qui contrôlent le comportement du processus gaussien et sont typiquement appris par maximisation de la vraisemblance marginale.
Posteriori du Processus Gaussien
Distribution du processus gaussien conditionnée aux données observées, combinant le priori et la vraisemblance pour fournir des prédictions avec incertitude.
Longueur d'Échelle
Hyperparamètre du noyau qui détermine la distance sur laquelle les points d'entrée sont corrélés, contrôlant la lissesse de la fonction modélisée.
Prédiction par Processus Gaussien
Inférence bayésienne qui calcule la moyenne et la variance de la distribution prédictive en de nouveaux points, basée sur le posteriori du processus gaussien.
Régression à Noyau
Méthode de régression non-paramétrique utilisant des fonctions de noyau, dont la régression par processus gaussien est un cas particulier bayésien.
Classification par Processus Gaussien
Application des processus gaussiens à des tâches de classification, utilisant des fonctions de lien (ex: probit) pour modéliser les probabilités de classe.
Points d'Induction
Variables latentes dans les processus gaussiens parcimonieux qui résument l'information des données d'entraînement pour accélérer les calculs.
Noyau de Periodic
Fonction de covariance conçue pour modéliser des motifs périodiques dans les données, essentielle pour les séries temporelles avec cycles.
Noyau de White Noise
Fonction de covariance qui modélise le bruit blanc indépendant, utilisée pour représenter l'incertitude aléatoire non corrélée dans les observations.
Noyau Composé
Combinaison de plusieurs noyaux (par addition ou multiplication) pour capturer des structures de corrélation complexes et multi-échelles dans les données.
Processus Gaussien Spatio-Temporel
Extension des processus gaussiens pour modéliser des données dépendant à la fois de l'espace et du temps, utilisant des noyaux spatio-temporels séparables ou non.
Variational Inference for GP
Méthode d'inférence variationnelle appliquée aux processus gaussiens pour approximer le posteriori tout en réduisant la complexité computationnelle.