Ta上传的资源 (0)

该软件支持基于神经网络和高斯过程的贝叶斯回归和分类模型,以及使用混合模型和Dirichlet扩散树的贝叶斯密度估计和聚类。 它还支持各种马尔可夫链采样方法,这些方法可以应用于由简单公式指定的分布,包括由先验和可能性的公式定义的简单贝叶斯模型 tar存档包含完整的超文本文档,因此您可以将其设置为从本地

高斯过程(GP)模型是非参数贝叶斯回归的一种灵活方法。然而，在大数据中使用GP模型的大多数现有工作都是为单变量输出时间序列定义的，称为单任务GPs(single-taskGPs,STGP)。在此，利用GPs同时对多个相关单变量生理时间序列进行建模。由此产生的多任务GP(MTGP)框架可以学习多个信号

斯图加特大学稀疏网格插值工具箱（内含帮助文档，包含多个例子），原理解释清晰可靠 稀疏网格插值的插值问题是一个最优恢复问题（即选择点，使光滑的多变量函数能够与合适的插值公式相匹配）。根据插值函数的特点（平滑度、周期性），存在基于稀疏网格的各种插值技术。它们都采用了smolyak的结构，这构成了所有稀