Processo gaussiano

In teoria delle probabilità un processo gaussiano è un processo stocastico f(x), ossia una collezione di variabili aleatorie indicizzate (in base al tempo o allo spazio), tale che ogni insieme finito di tali variabili abbia una distribuzione di probabilità gaussiana multivariata.

La distribuzione del processo gaussiano è la distribuzione congiunta di tutte le sue (infinite) variabili e, come tale, è una distribuzione su funzioni dal dominio continuo (ad es. il tempo o lo spazio). Quindi un processo gaussiano può essere considerato la generalizzazione a dimensioni infinite della distribuzione normale multivariata.

Definizione

Un processo gaussiano è specificato interamente dalla sua media $m_{f}$ (x) e dalla covarianza $k_{f}$ (x,x'), e viene indicato nel modo seguente:

f (𝐱) \sim 𝒩 (m_{f} (𝐱), k_{f} (𝐱, 𝐱^{'}))

Talvolta si assume che la media sia pari a zero e spesso si sceglie come insieme indice quello temporale cosicché il processo gaussiano risulti definito sul tempo . Accade di frequente nell'ambito delle telecomunicazioni, dove vari segnali vengono interpretati come processi gaussiani (ad esempio il rumore gaussiano).

Alcune applicazioni

Un processo gaussiano può essere usato come distribuzione di probabilità a priori sulle funzioni nell'inferenza bayesiana. L'inferenza per valori continui che fa uso di processi gaussiani è nota come regressione gaussiana e trova utilizzo in svariati campi, dall'automazione alla geostatistica (Kriging). I processi gaussiani sono, inoltre, un potente strumento per l'interpolazione non lineare.

Nell'ambito dell'apprendimento supervisionato, i processi gaussiani sono impiegati in metodi non parametrici basati su kernel utili a risolvere problemi di classificazione e regressione.

Note

↑ David J. C. MacKay, Information theory, inference, and learning algorithms, 22nd printing, Cambridge University Press, 2003, p. 540, ISBN 978-0-521-64298-9.
↑ Kevin P. Murphy, Probabilistic machine learning: an introduction, collana Adaptive computation and machine learning, The MIT Press, 2022, p. 574, ISBN 978-0-262-04682-4.

Bibliografia

(EN) C.E. Rasmussen, C.K.I Williams, Gaussian Processes for Machine Learning, MIT Press, 2006, ISBN 0-262-18253-X.
(EN) N. Benvenuto, R. Corvaja; T. Erseghe; N. Laurenti, Communication Systems: Fundamentals and Design Methods, Wiley, 2007, ISBN 0-470-01822-4.

Voci correlate

Collegamenti esterni

The Gaussian Processes Web Site, su GaussianProcess.org.
Classificazione e regressione basate su processi gaussiani in Scikit-Learn

Controllo di autorità	Thesaurus BNCF 45384 · LCCN (EN) sh85053558 · BNF (FR) cb119469389 (data) · J9U (EN, HE) 987007560462305171 · NDL (EN, JA) 01180243

Portale Materiali: accedi alle voci di Wikipedia che trattano di materiali

[1] David J. C. MacKay, Information theory, inference, and learning algorithms, 22nd printing, Cambridge University Press, 2003, p. 540, ISBN 978-0-521-64298-9.

[2] Kevin P. Murphy, Probabilistic machine learning: an introduction, collana Adaptive computation and machine learning, The MIT Press, 2022, p. 574, ISBN 978-0-262-04682-4.

V · D · M Apprendimento automatico
Problemi	Teoria dell'apprendimento statistico · Classificazione · Regressione · Classificazione a singola classe · Ranking · Regole di associazione · Apprendimento non supervisionato · Apprendimento semi-supervisionato · Apprendimento supervisionato · Apprendimento debolmente supervisionato · Apprendimento auto-supervisionato · Apprendimento da pochi esempi · Apprendimento gerarchico · Apprendimento per rinforzo · Apprendimento profondo · Apprendimento online · Apprendimento incrementale · Apprendimento trasduttivo · Apprendimento di rappresentazioni · Apprendimento per similarità · Apprendimento per contrasto · Concept drift · Meta-apprendimento · Dati mancanti
Apprendimento non supervisionato	Clustering · Clustering gerarchico · K-means · Algoritmo EM · Clustering spettrale · DBSCAN · Mean shift · Rete generativa avversaria (cGAN · VAE-GAN · cycleGAN)
Apprendimento supervisionato	Albero di decisione · Foresta casuale · Conditional random field CRF · Modello di Markov nascosto · Algoritmo k-nearest neighbors (k-NN) · Ragionamento basato su casi (CBR) · Classificatore bayesiano · Rete neurale artificiale · Regressione lineare · Regressione logistica · Modello grafico · Rete bayesiana · Macchine a vettori di supporto (SVM) · Processo gaussiano · Modello ensemble · Boosting · Bagging · Classifier chain · Cascading · Classificatore ECOC · Stacking · Voting
Apprendimento per rinforzo	Q-learning · SARSA · TD
Riduzione della dimensionalità	Analisi fattoriale · Analisi della correlazione canonica (CCA) · Analisi delle componenti indipendenti (ICA) · Analisi discriminante lineare (LDA) · Analisi delle componenti principali (PCA) · Apprendimento di varietà (manifold learning) · Estrazione di caratteristiche · Immersione localmente lineare (LLE) · Isomap · Scaling multidimensionale (MDS) · Selezione delle caratteristiche · t-distributed stochastic neighbor embedding (t-SNE)
Reti neurali artificiali	Percettrone · Percettrone basato su kernel · Rete neurale a funzioni base radiali (RBF net) · Rete neurale feed-forward · Rete di Hopfield · Percettrone multistrato · Rete neurale ricorrente (LSTM) · Macchina di Boltzmann ristretta · Mappa auto-organizzata · Rete neurale convoluzionale · Rete neurale a ritardo · Rete neurale spiking · Rete neurale grafica · Trasformatore
Software	Keras · Microsoft Cognitive Toolkit · Scikit-learn · TensorFlow · Theano · PyTorch · Weka
Altro	Algoritmo genetico · Particle Swarm Optimization · Caratteristica · Compromesso bias-varianza · Minimizzazione del rischio empirico