1樓：Jie Wang
幾乎零基礎要求的入門講解：
An Intuitive Tutorial to Gaussian Processes Regression
2樓：
就是將柱子圖變成波浪圖，引申到多維操作同理。比如，用探針有限次取樣的方式，得到乙個表面資料，將資料進行一次平滑運算，就是乙個高斯模糊過程。
3樓：shawn
通俗地講，GPs = bayes + kernel。具體推導參考gaussian processes for machine learning第二章regression。
個人認為，當你只想通俗地理解機器學習裡的模型、演算法，而不是親手去推推公式，我覺得你還不如不理解，因為這對於你解決實際問題毫無意義。用GP對資料建模，首先得考慮下面幾個問題：
（1）如何選擇核函式？
選什麼核函式（這點非常重要）？選最常用的SE還是SMP還是混合（基於對資料的理解）？
（2）超引數物理含義是什麼？
訓練完模型後，大部分情況下測試效果不會很好，再回頭看看學到的超引數變化如何？那麼問題來了，這些超引數又代表什麼物理含義呢（基於對核函式的理解）？
（3）非高斯似然函式
對常見的分類任務來說，似然非高斯分布，此時共軛優勢不復存在，如何找到最有效逼近後驗的方法（EP？VI？）
（4）異方差
事實上，很多lable都不是簡單的高斯分布，甚至label雜訊都是異方差分布（比如label值跨度超多幾個數量級），又該如何解決（可參考warped GPs）？
（5）如何用於大資料？
最後的最後，面對大資料呢，GPs最大的瓶頸就是立方複雜度，這裡有很方法，個人覺得最巧妙的想法還是FITC，還有採用分而治之想法的BCM等；
（6）與dl的結合
參考deep GPs
4樓：
你不知道函式長什麼樣。但是你有一些樣本，還有這些樣本的函式值（帶雜訊）。高斯過程可以通過kernel距離，給你把這個函式補出來：給乙個新的樣本，高斯過程可以告訴你函式值是多少。
用途很廣。比如神經網路有很多超引數要調，神經網路loss可以看作是超引數的函式。你可以用不同超引數訓練，得到樣本和函式值，然後用高斯過程把函式補全，指導你下一步該怎麼設超引數值。
5樓：Dennis Wang
晚點來寫，不過我不太喜歡張口閉口說在machine learning裡面什麼什麼的。這種東西還是在Bayesian 的framework 下解釋好。:)
6樓：Jaykay.Z
首先大家理解什麼是高斯分布吧，就是那麼個鐘罩一樣的分布。
那麼大家能不能理解兩維的高斯分布呢？就是兩維空間裡面的乙個橢圓一樣的東西？
長這樣如果兩維的也能理解，那就好辦了。
因為我相信你大約可以理解n維的高斯分布了。
長這樣：
現在假設我們想研究時間從0到T這個時刻的乙個過程f(t)。
那麼首先想象我們把0到T分成N份，t1 t2 t3 ... tN, 或者說把這段時間離散化了。
然後我們就會有一堆函式f(t1), f(t2), f(t3), f(t4)... f(tN).
也可以寫成
(f1,f2,f3,f4...fN)
這是乙個N維的向量。
現在我告訴你，這個N維的向量滿足N維的高斯分布。
當然了，因為這個N維是腦補出來的，因為f(t)大概不是離散的而是連續的，或者說N趨於無窮大。
那麼這個f(t)就是高斯過程。
小朋友們，你們懂了嗎？
如何通俗易懂的介紹Kolmogorov的湍流各向同性理論？
Michael Zhang 結構工程師前來 硬答 Turbulence isisotropicif all the mean quantities areinvariantunderany arbitrary rotation of coordinates.這是教科書上的解釋 我們可以觀測湍流中的一...
如何通俗易懂地解釋棒球規則？
老薑 沒有辦法。目前為止，我沒見過一篇能通俗易懂地介紹清楚棒球規則的文章。如果誰能講明白，就發財了。美國棒球協會幾十年來都一直想開啟中國市場，但是一直沒有人能用中文解釋清楚棒球規則，所以99 以上的中中國人始終都不懂打棒球的在幹嘛，所以美國棒球協會只能眼巴巴的看著nba在中國賺得盆滿缽滿。足球，踢進...
如何通俗易懂地解釋外微分？
null 外微分 和 Stokes 定理 大概是對應廣義的通量面積密度 對應 和散源強度體積密度 對應 對定向流形的邊界的積分 form 積分除以某種 維體積的密度.或許先對 的矩形證明 Stokes 定理是更簡單的引入.詳見這篇文章 john chen 我也是想理解外微分所以才找到知乎的這個問題，...