【文件属性】：
文件名称：贝叶斯机器学习：有关贝叶斯机器学习方法的笔记本
文件大小：21.9MB
文件格式：ZIP
更新时间：2021-02-03 08:32:24
machine-learning bayesian-methods gaussian-processes bayesian-optimization bayesian-machine-learning
贝叶斯机器学习笔记本
该存储库是有关贝叶斯机器学习的笔记本的集合。 以下链接通过显示了一些笔记本，以确保正确呈现公式。 依赖关系在子目录中的requirements.txt文件中指定。
。 贝叶斯线性回归简介。 用普通的NumPy和scikit-learn实现。 另请参见。
。 高斯回归过程简介。 用普通的NumPy / SciPy以及scikit-learn和GPy实现。
。 高斯分类过程简介。 用普通的NumPy / SciPy以及scikit-learn实现。
。 使用变分方法介绍稀疏高斯过程。 使用JAX的示例实现。
。 贝叶斯优化介绍。 用普通的NumPy / SciPy以及库scikit-optimize和GPyOpt来实现。 超参数调整作为应用示例。
。 演示如何实现贝叶斯神经网络和权重的可变推断。 Keras的示例实现。
。 对贝叶斯神经网络使用噪声对比先验，以获得对OOD数据更可靠的不确定性估计。 使用Tensorflow 2和Tensorflow概率实现。
。 期望最大化（EM）算法简介及其在高斯混合模型中的应用。 用普通的NumPy / SciP
【文件预览】：
bayesian-machine-learning-master
----variational_autoencoder_dfc.ipynb(207KB)
----.gitignore(19B)
----latent_variable_models_part_1.ipynb(334KB)
----README.md(5KB)
----latent_variable_models_part_2.ipynb(495KB)
----bayesian_neural_networks.ipynb(69KB)
----latent_variable_models_part_1_pymc3.ipynb(560KB)
----variational_autoencoder.ipynb(11KB)
----bayesian_linear_regression_pymc3.ipynb(382KB)
----gaussian_processes.ipynb(512KB)
----bayesian_optimization.ipynb(498KB)
----LICENSE(11KB)
----bayesian_optimization_util.py(2KB)
----models()
--------vae-opt()
--------vae-dfc()
--------vae()
----latent_variable_models_util.py(2KB)
----bayesian_linear_regression_pymc4.ipynb(393KB)
----variational_autoencoder_opt_util.py(4KB)
----topic_modeling_pymc3.ipynb(304KB)
----images()
--------vae-opt()
--------topic-models()
--------gmm()
--------vae-dfc()
--------vae()
----variational_autoencoder_opt.ipynb(731KB)
----variational_autoencoder_dfc_util.py(1KB)
----bayesian_linear_regression.ipynb(450KB)
----bayesian_neural_networks_pymc4.ipynb(333KB)
----gaussian_processes_util.py(901B)
----bayesian_linear_regression_util.py(1KB)