ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

高级贝叶斯机器学习
章节 1: 重审贝叶斯根本
概率建模原理
贝叶斯定理在高维空间中
先验选择中的主观性与客观性
信息论与贝叶斯推断的关联:熵与KL散度
贝叶斯推断中的计算难题
高级模型检查与评估
章节 2: 马尔可夫链蒙特卡洛方法
蒙特卡罗积分的原理
马尔可夫链理论之于MCMC
Metropolis-Hastings 算法变体
基于条件结构的吉布斯采样
哈密顿蒙特卡洛(HMC)机制
无U形转弯采样器 (NUTS)
诊断MCMC收敛性和性能
动手实践:实现高级MCMC
章节 3: 变分推断方法
优化即推断:变分推断的观点
推导证据下界 (ELBO)
平均场近似具体内容
坐标上升变分推断 (CAVI)
随机变分推断 (SVI) 针对大规模数据
黑箱变分推断 (BBVI)
进阶变分族
MCMC与VI优势比较
动手实践:可扩展变分推断
章节 4: 高斯过程
贝叶斯非参数建模介绍
定义高斯过程:函数的先验分布
协方差函数(核):性质与选择
高斯过程回归公式
超参数边际似然优化
高斯过程分类方法
高斯过程的可扩展近似方法
动手实践:高斯过程建模
章节 5: 概率图模型进阶内容
贝叶斯网络:结构学习
贝叶斯网络中的参数学习
概率图模型中的高级推断:联结树算法
大型概率图模型中的近似推断
隐狄利克雷分配 (LDA):贝叶斯表述
LDA 的推断:折叠吉布斯采样
LDA的推断:变分贝叶斯
动手实践:使用LDA进行主题建模
章节 6: 贝叶斯深度学习
贝叶斯深度学习的缘由
贝叶斯神经网络(BNNs):权重的先验分布
贝叶斯神经网络的推断挑战
用于贝叶斯神经网络的MCMC方法(例如,随机梯度哈密顿蒙特卡洛)
BNN的变分推断(例如:反向传播贝叶斯)
BNN中的不确定性估计
变分自编码器 (VAEs) 作为概率模型
将 Dropout 视为近似贝叶斯推断
BNN的实际训练与评估
动手实践:构建贝叶斯神经网络

章节 4: 高斯过程

之前我们主要讲解了近似后验分布的通用方法,例如MCMC和变分推断。现在我们将注意力转向高斯过程(GP),它是一种在贝叶斯非参数 (parameter)建模中效能显著的框架。与由固定数量参数定义的模型不同,GP通过直接在函数上设置先验,允许模型复杂度根据数据调整。

在本章中,您将学到:

  • 高斯过程作为函数上的分布的基本原理。
  • 协方差函数(或核函数)如何决定从高斯过程抽取的函数的性质(如平滑度)。
  • 高斯过程回归的数学表述,使得能够进行预测并给出相应的不确定性估计,通常表示为预测均值 E[f∗∣y]\mathbb{E}[f_* | \mathbf{y}]E[f∗​∣y] 和方差 Var[f∗∣y]\text{Var}[f_* | \mathbf{y}]Var[f∗​∣y]。
  • 通过最大化边际似然来选择合适的核函数和优化超参数 (hyperparameter)的方法。
  • 将高斯过程应用于分类问题的方法。
  • 近似方法,例如使用诱导点进行稀疏高斯过程,以便将高斯过程应用于精确计算变得不可行的大型数据集。

我们将学习这些理论知识,并通过实际编程练习进行应用。

课程章节

  • 4.1 贝叶斯非参数建模介绍

  • 4.2 定义高斯过程:函数的先验分布

  • 4.3 协方差函数(核):性质与选择

  • 4.4 高斯过程回归公式

  • 4.5 超参数边际似然优化

  • 4.6 高斯过程分类方法

  • 4.7 高斯过程的可扩展近似方法

  • 4.8 动手实践:高斯过程建模

© 2026 ApX Machine Learning