Gaussian Processes for Machine Learning [Anglais] [Relié]

al  algorithm  although  approach  approximate  approximation  between  binary  case  chapter  class  classification  classifier  compute  consider  corresponding  covariance  data  derivatives  different  distribution  ep  eq  equivalent  error  et  example  exponential  figure  first  form  function  further  gaussian  general  given  gives  gp  however  hyperparameters  information  input  kernel  laplace  latent  learning  let  likelihood  line  linear  log  loss  marginal  matrix  may  mean  methods  model  need  noise  note  notice  number  obtain  obtained  panel  parameters  points  posterior  predictions  predictive  prior  probability  problem  process  random  regression  results  samples  sec  section  see  set  shown  shows  space  squared  targets  terms  test  thus  training  two  use  used  values  variables  variance  vector  weight