Gauß-Prozesse: Eine Einführung
2025-08-18
Dieser Blogbeitrag bietet eine leicht verständliche Einführung in Gauß-Prozesse (GPs), ein mächtiges Werkzeug im maschinellen Lernen. Beginnend mit den Grundlagen multivariater Gauß-Verteilungen erklärt er Marginalsierung und Konditionierung und führt zum Kernkonzept von GPs: die Vorhersage von Daten durch Einbeziehung von Vorwissen. Interaktive Abbildungen und praktische Beispiele veranschaulichen, wie GPs Kernel-Funktionen verwenden, um Kovarianzmatrizen zu definieren und so die Form der vorhergesagten Funktion zu steuern. Die Bayes'sche Inferenz aktualisiert das Modell mit Trainingsdaten und ermöglicht die Vorhersage von Funktionswerten und deren Konfidenzintervalle.