আমি সিই রাসমুসেন এবং সিকেআই উইলিয়ামস দ্বারা মেশিন লার্নিংয়ের জন্য গাউসিয়ান প্রক্রিয়া পাঠ্যপুস্তকটি পড়ছি এবং ফাংশনগুলির উপর বিতরণ কী বোঝায় তা বুঝতে আমার কিছুটা সমস্যা হচ্ছে । পাঠ্যপুস্তকে একটি উদাহরণ দেওয়া হয়েছে, যে কোনও ব্যক্তিকে খুব দীর্ঘ ভেক্টর হিসাবে কল্পনা করা উচিত (আসলে, এটি অসীম দীর্ঘ হওয়া উচিত?)) সুতরাং আমি যেমন ভেক্টর মানগুলি "উপরে" টানা সম্ভাব্যতা বন্টন হতে ফাংশনগুলির উপরে বিতরণ কল্পনা করি। তাহলে কি কোনও সম্ভাবনা হ'ল কোনও ফাংশন এই বিশেষ মানটি গ্রহণ করবে? অথবা এটি একটি সম্ভাব্যতা যে কোনও ফাংশন একটি প্রদত্ত পরিসরে থাকা একটি মান গ্রহণ করবে? বা ফাংশনগুলির উপর বিতরণ একটি সম্পূর্ণ ফাংশনটির জন্য সম্ভাব্যতা নির্ধারিত হয়?
পাঠ্যপুস্তক থেকে উদ্ধৃতি:
অধ্যায় 1: ভূমিকা, পৃষ্ঠা 2
গাউসীয় প্রক্রিয়া হ'ল গাউসীয় সম্ভাবনা বন্টনের একটি সাধারণীকরণ। যেখানে সম্ভাব্যতা বিতরণটি এলোমেলো ভেরিয়েবলগুলি বর্ণনা করে যা স্কেলার বা ভেক্টর (মাল্টিভারিয়েট বিতরণের জন্য), একটি স্টোকাস্টিক প্রক্রিয়া ফাংশনের বৈশিষ্ট্যগুলিকে পরিচালনা করে। গাণিতিক পরিশীলনটিকে একপাশে রেখে, কেউ কোনও ফাংশনটিকে খুব দীর্ঘ ভেক্টর হিসাবে আলগাভাবে ভাবতে পারে, ভেক্টরের প্রতিটি এন্ট্রি একটি নির্দিষ্ট ইনপুট x এ ফাংশনের মান f (x) নির্দিষ্ট করে। দেখা যাচ্ছে, যদিও এই ধারণাটি কিছুটা নির্বোধ, তবুও আশ্চর্যরূপে আমাদের যা প্রয়োজন তা বন্ধ। প্রকৃতপক্ষে, আমরা এই অসীম মাত্রিক বস্তুগুলির সাথে কীভাবে গণনামূলকভাবে আচরণ করি তার প্রশ্নটির মধ্যে সবচেয়ে মনোরম রেজোলিউশন কল্পনাযোগ্য: আপনি যদি সীমাবদ্ধ বিন্দুতে কেবল ফাংশনের বৈশিষ্ট্য জিজ্ঞাসা করেন,
দ্বিতীয় অধ্যায়: রিগ্রেশন, পৃষ্ঠা 7
গাউসিয়ান প্রক্রিয়া (জিপি) রিগ্রেশন মডেলগুলি ব্যাখ্যা করার বিভিন্ন উপায় রয়েছে। কেউ গাউসিয়ান প্রক্রিয়াটিকে ফাংশনগুলির উপর বিতরণের সংজ্ঞা হিসাবে বিবেচনা করতে পারেন এবং ফাংশন-স্পেস ভিউতে সরাসরি ফাংশনগুলির স্পেসে স্থান নির্ধারণ করে।
প্রাথমিক প্রশ্ন থেকে:
আমি নিজের কাছে এটি কল্পনা করার চেষ্টা করার জন্য এই ধারণাগত ছবিটি তৈরি করেছি। আমি নিজের পক্ষে এই জাতীয় ব্যাখ্যাটি সঠিক কিনা তা নিশ্চিত নই।
আপডেটের পরে:
গিজসের উত্তরের পরে আমি ছবিটি ধারণার মতো আরও কিছু হতে আপডেট করেছি: