Bayesian estimation of templates in computational anatomy

Bayesisk estimering av maler i beregningsanatomi: Statistisk formanalyse og statistisk formsteori i beregningsanatomi (CA) utføres i forhold til maler, derfor er det en lokal teori om statistikk om form. Malestimering i beregningsanatomi fra populasjoner av observasjoner er en grunnleggende operasjon allestedsnærværende for fagområdet. Flere metoder for malestimering basert på Bayesians sannsynlighet og statistikk i den tilfeldige bane-modellen til CA har dukket opp for submanifolds og tette bildevolumer.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian History Matching: Bayesian History Matching er en statistisk metode for kalibrering av komplekse datamodeller. Ligningene i mange vitenskapelige datamodeller inneholder parametere som har en sann verdi, men den sanne verdien er ofte ukjent; Historikkmatching er en teknikk for å lære hva disse parametrene kan være.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesisk inferens i motorisk læring: Bayesian inferens er et statistisk verktøy som kan brukes på motorisk læring , spesielt på tilpasning. Tilpasning er en kortsiktig læringsprosess som involverer gradvis forbedring av ytelsen som svar på endring i sensorisk informasjon. Bayesian inferens brukes til å beskrive måten nervesystemet kombinerer denne sensoriske informasjonen med forkunnskaper for å estimere posisjonen eller andre egenskaper ved noe i miljøet. Bayesian inferens kan også brukes til å vise hvordan informasjon fra flere sanser kan kombineres for samme formål. I begge tilfeller tilsier Bayesianske slutninger at estimatet er mest påvirket av hvilken informasjon som er mest sikker.
Bayesian informasjonskriterium: I statistikk er Bayesian information criterion ( BIC ) eller Schwarz informationskriterium et kriterium for modellvalg blant et endelig sett med modeller; modellen med laveste BIC foretrekkes. Den er delvis basert på sannsynlighetsfunksjonen og er nært knyttet til Akaike informasjonskriterium (AIC).
Bayesian informasjonskriterium: I statistikk er Bayesian information criterion ( BIC ) eller Schwarz informationskriterium et kriterium for modellvalg blant et endelig sett med modeller; modellen med laveste BIC foretrekkes. Den er delvis basert på sannsynlighetsfunksjonen og er nært knyttet til Akaike informasjonskriterium (AIC).
Dopplerspektroskopi: Dopplerspektroskopi er en indirekte metode for å finne ekstrasolare planeter og brune dverger fra målinger av radialhastighet via observasjon av Doppler-forskyvninger i spektret til planetens morstjerne.
Dopplerspektroskopi: Dopplerspektroskopi er en indirekte metode for å finne ekstrasolare planeter og brune dverger fra målinger av radialhastighet via observasjon av Doppler-forskyvninger i spektret til planetens morstjerne.
Bayesian kunnskapssporing: Bayesian Knowledge Tracing er en algoritme som brukes i mange intelligente veiledningssystemer for å modellere hver elevs mestring av kunnskapen som blir veiledet.
Bayesisk lineær regresjon: I statistikk er Bayesian lineær regresjon en tilnærming til lineær regresjon der den statistiske analysen blir utført i sammenheng med Bayesian inferens. Når regresjonsmodellen har feil som har en normalfordeling, og hvis det antas en bestemt form for tidligere distribusjon, er eksplisitte resultater tilgjengelige for den bakre sannsynlighetsfordelingen av modellens parametere.
Bayesisk multivariat lineær regresjon: I statistikk er Bayesian multivariat lineær regresjon en Bayesisk tilnærming til multivariat lineær regresjon, dvs. lineær regresjon der det forutsagte utfallet er en vektor av korrelerte tilfeldige variabler i stedet for en enkelt skalar tilfeldig variabel. En mer generell behandling av denne tilnærmingen finner du i artikkelen MMSE estimator.
Bayesisk spill: I spillteori er et Bayesian-spill et spill der spillerne har ufullstendig informasjon om de andre spillerne. For eksempel kan det hende at en spiller ikke vet de nøyaktige utbetalingsfunksjonene til de andre spillerne, men i stedet har tro på disse utbetalingsfunksjonene. Disse troene er representert av en sannsynlighetsfordeling over mulige utbetalingsfunksjoner.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian operasjonell modal analyse: Bayesian operational modal analysis (BAYOMA) benytter en Bayesian systemidentifikasjonsmetode for operativ modalanalyse (OMA). Operasjonell modal analyse tar sikte på å identifisere modale egenskaper til en konstruert struktur ved å bare bruke dens (utgang) vibrasjonsrespons målt under driftsforhold. (Inngang) eksitasjonene til strukturen måles ikke, men antas å være 'omgivende'. I en Bayesisk sammenheng blir settet på modale parametere sett på som usikre parametere eller tilfeldige variabler hvis sannsynlighetsfordeling er oppdatert fra den tidligere fordelingen til den bakre fordelingen. Toppen (e) av den bakre fordelingen representerer den mest sannsynlige verdien (ene) ( MPV ) foreslått av dataene, mens spredningen av fordelingen rundt MPV gjenspeiler den gjenværende usikkerheten til parametrene.
Bayesian optimalisering: Bayesian optimalisering er en sekvensiell designstrategi for global optimalisering av black-box-funksjoner som ikke antar noen funksjonelle former. Det brukes vanligvis for å optimalisere funksjoner som er dyre å evaluere.
Bayesian program syntese: I programmeringsspråk og maskinlæring er Bayesian program synthesis (BPS) en programsyntese teknikk der Bayesian probabilistiske programmer automatisk konstruerer nye Bayesian probabilistic programmer. Denne tilnærmingen står i kontrast til rutinemessig praksis i sannsynlig programmering der menneskelige utviklere manuelt skriver nye sannsynlighetsprogrammer.
Bayesisk statistikk: Bayesisk statistikk er en teori innen statistikkfelt basert på den bayesiske tolkningen av sannsynlighet der sannsynlighet uttrykker en viss tro på en hendelse. Graden av tro kan være basert på forkunnskap om hendelsen, for eksempel resultatene fra tidligere eksperimenter, eller på personlig tro på hendelsen. Dette skiller seg fra en rekke andre fortolkninger av sannsynlighet, for eksempel hyppighetstolkningen som ser sannsynligheten som grensen for den relative frekvensen til en hendelse etter mange forsøk.
Bayesiansk strukturell tidsserie: Bayesian Structural Time Series ( BSTS ) -modellen er en statistisk teknikk som brukes til funksjonsvalg, tidsserieprognoser, nowcasting, utledes årsakseffekt og andre applikasjoner. Modellen er designet for å fungere med tidsseriedata.
Bayesian vektor autoregresjon: I statistikk og økonometri bruker Bayesian vector autoregression (BVAR) Bayesian metoder for å estimere en vector autoregression (VAR) modell. BVAR skiller seg fra standard VAR-modeller ved at modellparametrene behandles som tilfeldige variabler, med tidligere sannsynligheter, i stedet for faste verdier.
Bayesian vektor autoregresjon: I statistikk og økonometri bruker Bayesian vector autoregression (BVAR) Bayesian metoder for å estimere en vector autoregression (VAR) modell. BVAR skiller seg fra standard VAR-modeller ved at modellparametrene behandles som tilfeldige variabler, med tidligere sannsynligheter, i stedet for faste verdier.
Bayesian operasjonell modal analyse: Bayesian operational modal analysis (BAYOMA) benytter en Bayesian systemidentifikasjonsmetode for operativ modalanalyse (OMA). Operasjonell modal analyse tar sikte på å identifisere modale egenskaper til en konstruert struktur ved å bare bruke dens (utgang) vibrasjonsrespons målt under driftsforhold. (Inngang) eksitasjonene til strukturen måles ikke, men antas å være 'omgivende'. I en Bayesisk sammenheng blir settet på modale parametere sett på som usikre parametere eller tilfeldige variabler hvis sannsynlighetsfordeling er oppdatert fra den tidligere fordelingen til den bakre fordelingen. Toppen (e) av den bakre fordelingen representerer den mest sannsynlige verdien (ene) ( MPV ) foreslått av dataene, mens spredningen av fordelingen rundt MPV gjenspeiler den gjenværende usikkerheten til parametrene.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesisk statistikk: Bayesisk statistikk er en teori innen statistikkfelt basert på den bayesiske tolkningen av sannsynlighet der sannsynlighet uttrykker en viss tro på en hendelse. Graden av tro kan være basert på forkunnskap om hendelsen, for eksempel resultatene fra tidligere eksperimenter, eller på personlig tro på hendelsen. Dette skiller seg fra en rekke andre fortolkninger av sannsynlighet, for eksempel hyppighetstolkningen som ser sannsynligheten som grensen for den relative frekvensen til en hendelse etter mange forsøk.
Bayesiske tilnærminger til hjernefunksjon: Bayesianske tilnærminger til hjernefunksjon undersøker nervesystemets evne til å operere i usikkerhetssituasjoner på en måte som er nær det optimale som er foreskrevet i Bayesiansk statistikk. Dette begrepet brukes i atferdsvitenskap og nevrovitenskap, og studier knyttet til dette begrepet prøver ofte å forklare hjernens kognitive evner basert på statistiske prinsipper. Det antas ofte at nervesystemet opprettholder interne sannsynlighetsmodeller som oppdateres ved nevral prosessering av sensorisk informasjon ved hjelp av metoder som tilnærmer seg de med Bayesisk sannsynlighet.
Bayesisk gjennomsnitt: Et Bayesiansk gjennomsnitt er en metode for å estimere gjennomsnittet av en befolkning ved hjelp av utenforliggende informasjon, spesielt en eksisterende tro, som blir tatt med i beregningen. Dette er et sentralt trekk ved Bayesiansk tolkning. Dette er nyttig når det tilgjengelige datasettet er lite.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesiske tilnærminger til hjernefunksjon: Bayesianske tilnærminger til hjernefunksjon undersøker nervesystemets evne til å operere i usikkerhetssituasjoner på en måte som er nær det optimale som er foreskrevet i Bayesiansk statistikk. Dette begrepet brukes i atferdsvitenskap og nevrovitenskap, og studier knyttet til dette begrepet prøver ofte å forklare hjernens kognitive evner basert på statistiske prinsipper. Det antas ofte at nervesystemet opprettholder interne sannsynlighetsmodeller som oppdateres ved nevral prosessering av sensorisk informasjon ved hjelp av metoder som tilnærmer seg de med Bayesisk sannsynlighet.
Naive Bayes klassifisering: I statistikken er naive Bayes-klassifikatorer en familie av enkle "probabilistiske klassifikatorer" basert på å anvende Bayes teorem med sterke (naive) uavhengighetsforutsetninger mellom funksjonene. De er blant de enkleste Bayesiske nettverksmodellene, men kombinert med estimering av kjernetetthet kan de oppnå høyere nøyaktighetsnivåer.
Bayesian klassifisering: I datavitenskap og statistikk kan Bayesian-klassifikator referere til: hvilken som helst klassifikator basert på Bayesians sannsynlighet en naiv Bayes-klassifikator
Bayesisk kognitiv vitenskap: Bayesian Cognitive Science er en tilnærming til kognitiv vitenskap som er opptatt av den rasjonelle analysen av kognisjon gjennom bruk av Bayesian inferens og kognitiv modellering. Uttrykket "beregningsmessig" refererer til beregningsnivået for analyse slik det er fremsatt av David Marr.
Troverdig intervall: I Bayesian-statistikk er et troverdig intervall et intervall der en ikke-observert parameterverdi faller med en bestemt sannsynlighet. Det er et intervall i domenet til en posterior sannsynlighetsfordeling eller en prediktiv fordeling. Generaliseringen til multivariate problemer er den troverdige regionen . Troverdige intervaller er analoge med konfidensintervaller i hyppighetsstatistikk, selv om de avviker på et filosofisk grunnlag: Bayesiske intervaller behandler grensene sine som faste og den estimerte parameteren som en tilfeldig variabel, mens hyppighetskonfidensintervaller behandler grensene som tilfeldige variabler og parameteren som en fast verdi. Bayesianske troverdige intervaller bruker også kunnskap om den situasjonsspesifikke tidligere distribusjonen, mens de hyppige tillitsintervallene ikke gjør det.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Thompson prøvetaking: Thompson-prøvetaking , oppkalt etter William R. Thompson, er en heuristikk for å velge handlinger som adresserer utforsknings-utnyttelsesdilemmaet i det flerarmede bandittproblemet. Den består av å velge handlingen som maksimerer den forventede belønningen med hensyn til en tilfeldig tegnet tro.
Bayesisk sannsynlighet: Bayesisk sannsynlighet er en tolkning av begrepet sannsynlighet, der sannsynlighet tolkes som rimelig forventning som representerer en tilstand av kunnskap eller som kvantifisering av en personlig tro, i stedet for frekvens eller tilbøyelighet til noe fenomen.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayes estimator: I estimeringsteori og beslutningsteori er en Bayes-estimator eller en Bayes-handling en estimator eller beslutningsregel som minimerer den bakre forventede verdien av en tapfunksjon. Tilsvarende maksimerer det den bakre forventningen om en nyttefunksjon. En alternativ måte å formulere en estimator i Bayesian statistikk er maksimal a posteriori estimering.
Bayesisk eksperimentell design: Bayesian eksperimentell design gir et generelt sannsynlighetsteoretisk rammeverk som andre teorier om eksperimentell design kan utledes fra. Det er basert på Bayesiansk slutning om å tolke observasjonene / dataene som er ervervet under eksperimentet. Dette gjør det mulig å fastslå både forkunnskap om parametrene og usikkerhet i observasjonene.
Bayesisk eksperimentell design: Bayesian eksperimentell design gir et generelt sannsynlighetsteoretisk rammeverk som andre teorier om eksperimentell design kan utledes fra. Det er basert på Bayesiansk slutning om å tolke observasjonene / dataene som er ervervet under eksperimentet. Dette gjør det mulig å fastslå både forkunnskap om parametrene og usikkerhet i observasjonene.
Bayesisk eksperimentell design: Bayesian eksperimentell design gir et generelt sannsynlighetsteoretisk rammeverk som andre teorier om eksperimentell design kan utledes fra. Det er basert på Bayesiansk slutning om å tolke observasjonene / dataene som er ervervet under eksperimentet. Dette gjør det mulig å fastslå både forkunnskap om parametrene og usikkerhet i observasjonene.
Bayesisk økonometri: Bayesian økonometri er en gren av økonometri som anvender Bayesianske prinsipper for økonomisk modellering. Bayesianisme er basert på en viss tros-tolkning av sannsynlighet, i motsetning til en relativ-frekvens-tolkning.
Bayesisk effektivitet: Bayesisk effektivitet er en analog av Pareto-effektivitet for situasjoner der det er ufullstendig informasjon. Under Pareto-effektivitet er en tildeling av en ressurs Pareto-effektiv hvis det ikke er noen annen tildeling av den ressursen som gjør ingen dårligere stillet, mens noen agenter gjør det strengt bedre. En begrensning med begrepet Pareto effektivitet er at den forutsetter at kunnskap om andre markedsdeltakere er tilgjengelig for alle deltakere, ved at hver spiller kjenner til gevinstene og strategiene som er tilgjengelige for andre aktører for å ha fullstendig informasjon. Ofte har spillerne typer som er skjult for den andre spilleren.
Bayesisk epistemologi: Bayesian epistemology er en formell tilnærming til ulike emner innen epistemology som har sine røtter i Thomas Bayes 'arbeid innen sannsynlighetsteori. En fordel med den formelle metoden i motsetning til tradisjonell epistemologi er at begreper og teoremer kan defineres med høy presisjon. Det er basert på ideen om at tro kan tolkes som subjektive sannsynligheter. Som sådan er de underlagt lovene om sannsynlighetsteori, som fungerer som rasjonalitetsnormene. Disse normene kan deles inn i statiske begrensninger, som styrer rasjonaliteten til troen når som helst, og dynamiske begrensninger, som styrer hvordan rasjonelle agenter skal endre sin tro når de mottar nye bevis. Det mest karakteristiske Bayesiske uttrykket for disse prinsippene finnes i form av nederlandske bøker, som illustrerer irrasjonalitet hos agenter gjennom en rekke spill som fører til tap for agenten uansett hvilke av de sannsynlige hendelsene som inntreffer. Bayesianere har brukt disse grunnleggende prinsippene på forskjellige epistemologiske emner, men Bayesianism dekker ikke alle temaene i tradisjonell epistemologi. Bekreftelsesproblemet i vitenskapsfilosofien kan for eksempel tilnærmes gjennom det Bayesianske prinsippet om betingelse ved å fastslå at et bevis bekrefter en teori hvis det øker sannsynligheten for at denne teorien er sann. Ulike forslag har blitt laget for å definere begrepet koherens når det gjelder sannsynlighet, vanligvis i den forstand at to proposisjoner henger sammen hvis sannsynligheten for deres sammenheng er høyere enn om de var nøytralt relatert til hverandre. Den bayesiske tilnærmingen har også vært fruktbar innen sosial epistemologi, for eksempel når det gjelder vitnesbyrdsproblemet eller problemet med gruppetro. Bayesianisme står fortsatt overfor ulike teoretiske innvendinger som ikke er fullstendig løst.
Bayes estimator: I estimeringsteori og beslutningsteori er en Bayes-estimator eller en Bayes-handling en estimator eller beslutningsregel som minimerer den bakre forventede verdien av en tapfunksjon. Tilsvarende maksimerer det den bakre forventningen om en nyttefunksjon. En alternativ måte å formulere en estimator i Bayesian statistikk er maksimal a posteriori estimering.
Bayes estimator: I estimeringsteori og beslutningsteori er en Bayes-estimator eller en Bayes-handling en estimator eller beslutningsregel som minimerer den bakre forventede verdien av en tapfunksjon. Tilsvarende maksimerer det den bakre forventningen om en nyttefunksjon. En alternativ måte å formulere en estimator i Bayesian statistikk er maksimal a posteriori estimering.
Bayesisk estimering av maler i beregningsanatomi: Statistisk formanalyse og statistisk formsteori i beregningsanatomi (CA) utføres i forhold til maler, derfor er det en lokal teori om statistikk om form. Malestimering i beregningsanatomi fra populasjoner av observasjoner er en grunnleggende operasjon allestedsnærværende for fagområdet. Flere metoder for malestimering basert på Bayesians sannsynlighet og statistikk i den tilfeldige bane-modellen til CA har dukket opp for submanifolds og tette bildevolumer.
Bayes estimator: I estimeringsteori og beslutningsteori er en Bayes-estimator eller en Bayes-handling en estimator eller beslutningsregel som minimerer den bakre forventede verdien av en tapfunksjon. Tilsvarende maksimerer det den bakre forventningen om en nyttefunksjon. En alternativ måte å formulere en estimator i Bayesian statistikk er maksimal a posteriori estimering.
Bayesisk eksperimentell design: Bayesian eksperimentell design gir et generelt sannsynlighetsteoretisk rammeverk som andre teorier om eksperimentell design kan utledes fra. Det er basert på Bayesiansk slutning om å tolke observasjonene / dataene som er ervervet under eksperimentet. Dette gjør det mulig å fastslå både forkunnskap om parametrene og usikkerhet i observasjonene.
Rekursiv Bayesisk estimering: I sannsynlighetsteori, statistikk og maskinlæring er rekursiv Bayesian estimering , også kjent som et Bayes filter , en generell probabilistisk tilnærming for å estimere en ukjent sannsynlighetstetthetsfunksjon (PDF) rekursivt over tid ved hjelp av innkommende målinger og en matematisk prosessmodell. Prosessen er sterkt avhengig av matematiske begreper og modeller som er teoretisert i en studie av tidligere og bakre sannsynligheter kjent som Bayesian statistikk.
Rekursiv Bayesisk estimering: I sannsynlighetsteori, statistikk og maskinlæring er rekursiv Bayesian estimering , også kjent som et Bayes filter , en generell probabilistisk tilnærming for å estimere en ukjent sannsynlighetstetthetsfunksjon (PDF) rekursivt over tid ved hjelp av innkommende målinger og en matematisk prosessmodell. Prosessen er sterkt avhengig av matematiske begreper og modeller som er teoretisert i en studie av tidligere og bakre sannsynligheter kjent som Bayesian statistikk.
Naive Bayes spamfiltrering: Naive Bayes-klassifikatorer er en populær statistisk teknikk for e-postfiltrering. De bruker vanligvis funksjoner for å identifisere spam-e-post, en tilnærming som ofte brukes i tekstklassifisering.
Bayesisk spill: I spillteori er et Bayesian-spill et spill der spillerne har ufullstendig informasjon om de andre spillerne. For eksempel kan det hende at en spiller ikke vet de nøyaktige utbetalingsfunksjonene til de andre spillerne, men i stedet har tro på disse utbetalingsfunksjonene. Disse troene er representert av en sannsynlighetsfordeling over mulige utbetalingsfunksjoner.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesisk hierarkisk modellering: Bayesisk hierarkisk modellering er en statistisk modell skrevet i flere nivåer som estimerer parametrene for den bakre fordelingen ved bruk av Bayesian-metoden. Undermodellene kombineres for å danne den hierarkiske modellen, og Bayes teorem brukes til å integrere dem med de observerte dataene og redegjøre for all usikkerheten som er til stede. Resultatet av denne integrasjonen er den bakre fordelingen, også kjent som det oppdaterte sannsynlighetsestimatet, ettersom ytterligere bevis på den tidligere distribusjonen ervervet.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesisk slutning ved bruk av Gibbs-prøvetaking: Bayesian inferens ved bruk av Gibbs sampling (BUGs) er en programvarepakke for å utføre Bayesian inferens ved bruk av Markov-kjeden Monte Carlo.
Bayesisk slutning i markedsføring: I markedsføring tillater Bayesian-inferens beslutningstaking og markedsundersøkelse under usikkerhet og med begrensede data.
Bayesisk inferens i motorisk læring: Bayesian inferens er et statistisk verktøy som kan brukes på motorisk læring , spesielt på tilpasning. Tilpasning er en kortsiktig læringsprosess som involverer gradvis forbedring av ytelsen som svar på endring i sensorisk informasjon. Bayesian inferens brukes til å beskrive måten nervesystemet kombinerer denne sensoriske informasjonen med forkunnskaper for å estimere posisjonen eller andre egenskaper ved noe i miljøet. Bayesian inferens kan også brukes til å vise hvordan informasjon fra flere sanser kan kombineres for samme formål. I begge tilfeller tilsier Bayesianske slutninger at estimatet er mest påvirket av hvilken informasjon som er mest sikker.
Bayesisk slutning i fylogeni: Bayesian inferens av fylogeni kombinerer informasjonen i tidligere og i datasannsynligheten for å skape den såkalte bakre sannsynligheten for trær, som er sannsynligheten for at treet er riktig gitt dataene, den tidligere og sannsynlighetsmodellen. Bayesian inferens ble introdusert i molekylær fylogenetikk på 1990-tallet av tre uavhengige grupper: Bruce Rannala og Ziheng Yang i Berkeley, Bob Mau i Madison og Shuying Li ved University of Iowa, de to siste var doktorgradsstudenter på den tiden. Tilnærmingen har blitt veldig populær siden utgivelsen av MrBayes-programvaren i 2001, og er nå en av de mest populære metodene innen molekylær fylogenetikk.
Bayesisk slutning ved bruk av Gibbs-prøvetaking: Bayesian inferens ved bruk av Gibbs sampling (BUGs) er en programvarepakke for å utføre Bayesian inferens ved bruk av Markov-kjeden Monte Carlo.
Bayesian informasjonskriterium: I statistikk er Bayesian information criterion ( BIC ) eller Schwarz informationskriterium et kriterium for modellvalg blant et endelig sett med modeller; modellen med laveste BIC foretrekkes. Den er delvis basert på sannsynlighetsfunksjonen og er nært knyttet til Akaike informasjonskriterium (AIC).
Bayesian informasjonskriterium: I statistikk er Bayesian information criterion ( BIC ) eller Schwarz informationskriterium et kriterium for modellvalg blant et endelig sett med modeller; modellen med laveste BIC foretrekkes. Den er delvis basert på sannsynlighetsfunksjonen og er nært knyttet til Akaike informasjonskriterium (AIC).
Multisensorisk integrasjon: Multisensorisk integrasjon , også kjent som multimodal integrasjon , er studiet av hvordan informasjon fra de forskjellige sensoriske modalitetene kan integreres av nervesystemet. En sammenhengende fremstilling av objekter som kombinerer modaliteter gjør at dyr kan få meningsfulle perseptuelle opplevelser. Faktisk er multisensorisk integrasjon sentralt i adaptiv atferd fordi den lar dyr oppfatte en verden av sammenhengende perseptuelle enheter. Multisensorisk integrasjon handler også om hvordan forskjellige sensoriske modaliteter samhandler med hverandre og endrer hverandres prosessering.
Bayesisk tolkning av kjerne-regulering: I maskinlæring oppstår kjernemetoder fra antagelsen om et indre produktrom eller likhetsstruktur på innganger. For noen slike metoder, for eksempel støttevektormaskiner (SVM), var den opprinnelige formuleringen og dens regulering ikke av Bayesisk natur. Det er nyttig å forstå dem fra et Bayesiansk perspektiv. Fordi kjernene ikke nødvendigvis er positive semidefinerte, kan det hende at den underliggende strukturen ikke er indre produktrom, men i stedet mer generell reproduksjon av Hilbert-mellomrom. I Bayesian sannsynlighet er kjernemetoder en nøkkelkomponent i Gaussiske prosesser, der kjernefunksjonen er kjent som kovariansfunksjonen. Kjernemetoder har tradisjonelt blitt brukt i overvåket læringsproblemer der inngangsrommet vanligvis er et rom med vektorer mens utgangsrommet er et område med skalarer . Mer nylig har disse metodene blitt utvidet til å omfatte problemer som omhandler flere utganger, for eksempel i læring med flere oppgaver.
Bayesisk tolkning av kjerne-regulering: I maskinlæring oppstår kjernemetoder fra antagelsen om et indre produktrom eller likhetsstruktur på innganger. For noen slike metoder, for eksempel støttevektormaskiner (SVM), var den opprinnelige formuleringen og dens regulering ikke av Bayesisk natur. Det er nyttig å forstå dem fra et Bayesiansk perspektiv. Fordi kjernene ikke nødvendigvis er positive semidefinerte, kan det hende at den underliggende strukturen ikke er indre produktrom, men i stedet mer generell reproduksjon av Hilbert-mellomrom. I Bayesian sannsynlighet er kjernemetoder en nøkkelkomponent i Gaussiske prosesser, der kjernefunksjonen er kjent som kovariansfunksjonen. Kjernemetoder har tradisjonelt blitt brukt i overvåket læringsproblemer der inngangsrommet vanligvis er et rom med vektorer mens utgangsrommet er et område med skalarer . Mer nylig har disse metodene blitt utvidet til å omfatte problemer som omhandler flere utganger, for eksempel i læring med flere oppgaver.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesiske læringsmekanismer: Bayesiske læringsmekanismer er sannsynlige årsaksmodeller som brukes i informatikk for å undersøke de grunnleggende grunnlagene for maskinlæring, og i kognitiv nevrovitenskap, for å modellere konseptuell utvikling
Bayesisk lineær regresjon: I statistikk er Bayesian lineær regresjon en tilnærming til lineær regresjon der den statistiske analysen blir utført i sammenheng med Bayesian inferens. Når regresjonsmodellen har feil som har en normalfordeling, og hvis det antas en bestemt form for tidligere distribusjon, er eksplisitte resultater tilgjengelige for den bakre sannsynlighetsfordelingen av modellens parametere.
Bayesisk lineær regresjon: I statistikk er Bayesian lineær regresjon en tilnærming til lineær regresjon der den statistiske analysen blir utført i sammenheng med Bayesian inferens. Når regresjonsmodellen har feil som har en normalfordeling, og hvis det antas en bestemt form for tidligere distribusjon, er eksplisitte resultater tilgjengelige for den bakre sannsynlighetsfordelingen av modellens parametere.
Bayesisk sannsynlighet: Bayesisk sannsynlighet er en tolkning av begrepet sannsynlighet, der sannsynlighet tolkes som rimelig forventning som representerer en tilstand av kunnskap eller som kvantifisering av en personlig tro, i stedet for frekvens eller tilbøyelighet til noe fenomen.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesisk modell for beregningsanatomi: Computational anatomy (CA) er en disiplin innen medisinsk bildebehandling som fokuserer på studiet av anatomisk form og form i den synlige eller grove anatomiske skalaen til morfologi. Feltet er bredt definert og inkluderer grunnlag i anatomi, anvendt matematikk og ren matematikk, inkludert medisinsk bildebehandling, nevrovitenskap, fysikk, sannsynlighet og statistikk. Den fokuserer på de anatomiske strukturene som blir avbildet, i stedet for de medisinske bildebehandlingsenhetene. Det sentrale fokuset i underfeltet av beregningsanatomi innen medisinsk avbildning er å kartlegge informasjon på tvers av anatomiske koordinatsystemer, ofte tett informasjon målt i et magnetisk resonansbilde (MR). Innføringen av strømmer inn i CA, som ligner bevegelsesligningene som brukes i væskedynamikk, utnytter forestillingen om at tette koordinater i bildeanalyse følger lagrangiske og euleriske bevegelsesligninger. I modeller basert på lagrangiske og euleriske strømmer av diffeomorfismer, er begrensningen knyttet til topologiske egenskaper, slik at åpne sett blir bevart, koordinater som ikke krysser noe som innebærer unikhet og eksistens av invers kartlegging, og tilkoblede sett forblir tilkoblet. Bruken av diffeomorfe metoder vokste raskt til å dominere feltet for kartleggingsmetoder etter Christensens opprinnelige papir, med raske og symmetriske metoder som ble tilgjengelige.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Ensemblelæring: I statistikk og maskinlæring bruker ensemblemetoder flere læringsalgoritmer for å oppnå bedre prediktiv ytelse enn det som kan oppnås fra noen av de inngående læringsalgoritmene alene. I motsetning til et statistisk ensemble i statistisk mekanikk, som vanligvis er uendelig, består et maskinlæringsensemble av bare et konkret, endelig sett med alternative modeller, men tillater vanligvis at det eksisterer mye mer fleksibel struktur blant disse alternativene.
Bayes-faktor: I statistikken er bruken av Bayes-faktorer et Bayesiansk alternativ til klassisk hypotesetesting. Bayesian modell sammenligning er en metode for modellvalg basert på Bayes faktorer. Modellene som vurderes er statistiske modeller. Målet med Bayes-faktoren er å kvantifisere støtten til en modell fremfor en annen, uavhengig av om disse modellene er korrekte. Den tekniske definisjonen av "støtte" i sammenheng med Bayesian inferens er beskrevet nedenfor.
Bayesisk modell for beregningsanatomi: Computational anatomy (CA) er en disiplin innen medisinsk bildebehandling som fokuserer på studiet av anatomisk form og form i den synlige eller grove anatomiske skalaen til morfologi. Feltet er bredt definert og inkluderer grunnlag i anatomi, anvendt matematikk og ren matematikk, inkludert medisinsk bildebehandling, nevrovitenskap, fysikk, sannsynlighet og statistikk. Den fokuserer på de anatomiske strukturene som blir avbildet, i stedet for de medisinske bildebehandlingsenhetene. Det sentrale fokuset i underfeltet av beregningsanatomi innen medisinsk avbildning er å kartlegge informasjon på tvers av anatomiske koordinatsystemer, ofte tett informasjon målt i et magnetisk resonansbilde (MR). Innføringen av strømmer inn i CA, som ligner bevegelsesligningene som brukes i væskedynamikk, utnytter forestillingen om at tette koordinater i bildeanalyse følger lagrangiske og euleriske bevegelsesligninger. I modeller basert på lagrangiske og euleriske strømmer av diffeomorfismer, er begrensningen knyttet til topologiske egenskaper, slik at åpne sett blir bevart, koordinater som ikke krysser noe som innebærer unikhet og eksistens av invers kartlegging, og tilkoblede sett forblir tilkoblet. Bruken av diffeomorfe metoder vokste raskt til å dominere feltet for kartleggingsmetoder etter Christensens opprinnelige papir, med raske og symmetriske metoder som ble tilgjengelige.
Bayesian modellreduksjon: Bayesian modellreduksjon er en metode for beregning av bevis og posterior over parametrene til Bayesian modeller som er forskjellige i forhold til tidligere. En full modell er tilpasset data ved bruk av standardtilnærminger. Hypoteser blir deretter testet ved å definere en eller flere 'reduserte' modeller med alternative prioriteter, som vanligvis - i grensen - slår av visse parametere. Bevisene og parametrene til de reduserte modellene kan deretter beregnes ut fra bevisene og estimerte (posteriore) parametere for hele modellen ved bruk av Bayesian modellreduksjon. Hvis prior og posterior er normalt distribuert, så er det en analytisk løsning som kan beregnes raskt. Dette har flere vitenskapelige og tekniske applikasjoner: disse inkluderer å score bevis for et stort antall modeller veldig raskt og legge til rette for estimering av hierarkiske modeller.
Bayes-faktor: I statistikken er bruken av Bayes-faktorer et Bayesiansk alternativ til klassisk hypotesetesting. Bayesian modell sammenligning er en metode for modellvalg basert på Bayes faktorer. Modellene som vurderes er statistiske modeller. Målet med Bayes-faktoren er å kvantifisere støtten til en modell fremfor en annen, uavhengig av om disse modellene er korrekte. Den tekniske definisjonen av "støtte" i sammenheng med Bayesian inferens er beskrevet nedenfor.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesisk statistikk: Bayesisk statistikk er en teori innen statistikkfelt basert på den bayesiske tolkningen av sannsynlighet der sannsynlighet uttrykker en viss tro på en hendelse. Graden av tro kan være basert på forkunnskap om hendelsen, for eksempel resultatene fra tidligere eksperimenter, eller på personlig tro på hendelsen. Dette skiller seg fra en rekke andre fortolkninger av sannsynlighet, for eksempel hyppighetstolkningen som ser sannsynligheten som grensen for den relative frekvensen til en hendelse etter mange forsøk.
Bayesisk modell for beregningsanatomi: Computational anatomy (CA) er en disiplin innen medisinsk bildebehandling som fokuserer på studiet av anatomisk form og form i den synlige eller grove anatomiske skalaen til morfologi. Feltet er bredt definert og inkluderer grunnlag i anatomi, anvendt matematikk og ren matematikk, inkludert medisinsk bildebehandling, nevrovitenskap, fysikk, sannsynlighet og statistikk. Den fokuserer på de anatomiske strukturene som blir avbildet, i stedet for de medisinske bildebehandlingsenhetene. Det sentrale fokuset i underfeltet av beregningsanatomi innen medisinsk avbildning er å kartlegge informasjon på tvers av anatomiske koordinatsystemer, ofte tett informasjon målt i et magnetisk resonansbilde (MR). Innføringen av strømmer inn i CA, som ligner bevegelsesligningene som brukes i væskedynamikk, utnytter forestillingen om at tette koordinater i bildeanalyse følger lagrangiske og euleriske bevegelsesligninger. I modeller basert på lagrangiske og euleriske strømmer av diffeomorfismer, er begrensningen knyttet til topologiske egenskaper, slik at åpne sett blir bevart, koordinater som ikke krysser noe som innebærer unikhet og eksistens av invers kartlegging, og tilkoblede sett forblir tilkoblet. Bruken av diffeomorfe metoder vokste raskt til å dominere feltet for kartleggingsmetoder etter Christensens opprinnelige papir, med raske og symmetriske metoder som ble tilgjengelige.
Bayesisk modell for beregningsanatomi: Computational anatomy (CA) er en disiplin innen medisinsk bildebehandling som fokuserer på studiet av anatomisk form og form i den synlige eller grove anatomiske skalaen til morfologi. Feltet er bredt definert og inkluderer grunnlag i anatomi, anvendt matematikk og ren matematikk, inkludert medisinsk bildebehandling, nevrovitenskap, fysikk, sannsynlighet og statistikk. Den fokuserer på de anatomiske strukturene som blir avbildet, i stedet for de medisinske bildebehandlingsenhetene. Det sentrale fokuset i underfeltet av beregningsanatomi innen medisinsk avbildning er å kartlegge informasjon på tvers av anatomiske koordinatsystemer, ofte tett informasjon målt i et magnetisk resonansbilde (MR). Innføringen av strømmer inn i CA, som ligner bevegelsesligningene som brukes i væskedynamikk, utnytter forestillingen om at tette koordinater i bildeanalyse følger lagrangiske og euleriske bevegelsesligninger. I modeller basert på lagrangiske og euleriske strømmer av diffeomorfismer, er begrensningen knyttet til topologiske egenskaper, slik at åpne sett blir bevart, koordinater som ikke krysser noe som innebærer unikhet og eksistens av invers kartlegging, og tilkoblede sett forblir tilkoblet. Bruken av diffeomorfe metoder vokste raskt til å dominere feltet for kartleggingsmetoder etter Christensens opprinnelige papir, med raske og symmetriske metoder som ble tilgjengelige.
Bayesisk multivariat lineær regresjon: I statistikk er Bayesian multivariat lineær regresjon en Bayesisk tilnærming til multivariat lineær regresjon, dvs. lineær regresjon der det forutsagte utfallet er en vektor av korrelerte tilfeldige variabler i stedet for en enkelt skalar tilfeldig variabel. En mer generell behandling av denne tilnærmingen finner du i artikkelen MMSE estimator.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Bayesian nettverk: Et Bayesian-nettverk er en sannsynlig grafisk modell som representerer et sett med variabler og deres betingede avhengigheter via en rettet asyklisk graf (DAG). Bayesiske nettverk er ideelle for å ta en hendelse som skjedde og forutsi sannsynligheten for at en av flere mulige kjente årsaker var den medvirkende faktoren. For eksempel kan et Bayesisk nettverk representere de sannsynlige forholdene mellom sykdommer og symptomer. Gitt symptomer kan nettverket brukes til å beregne sannsynligheten for tilstedeværelse av forskjellige sykdommer.
Stokastisk nevralt nettverk: Stokastiske nevrale nettverk er en type kunstige nevrale nettverk bygget ved å introdusere tilfeldige variasjoner i nettverket, enten ved å gi nettverkets nevroner stokastiske overføringsfunksjoner, eller ved å gi dem stokastiske vekter. Dette gjør dem nyttige verktøy for optimaliseringsproblemer, siden tilfeldige svingninger hjelper det å rømme fra lokale minima.
Bayesian operasjonell modal analyse: Bayesian operational modal analysis (BAYOMA) benytter en Bayesian systemidentifikasjonsmetode for operativ modalanalyse (OMA). Operasjonell modal analyse tar sikte på å identifisere modale egenskaper til en konstruert struktur ved å bare bruke dens (utgang) vibrasjonsrespons målt under driftsforhold. (Inngang) eksitasjonene til strukturen måles ikke, men antas å være 'omgivende'. I en Bayesisk sammenheng blir settet på modale parametere sett på som usikre parametere eller tilfeldige variabler hvis sannsynlighetsfordeling er oppdatert fra den tidligere fordelingen til den bakre fordelingen. Toppen (e) av den bakre fordelingen representerer den mest sannsynlige verdien (ene) ( MPV ) foreslått av dataene, mens spredningen av fordelingen rundt MPV gjenspeiler den gjenværende usikkerheten til parametrene.
Bayesian-optimal mekanisme: En Bayesian-optimal mekanisme (BOM) er en mekanisme der designeren ikke kjenner verdsettelsene til agentene som mekanismen er designet for, men han vet at de er tilfeldige variabler, og han kjenner sannsynlighetsfordelingen av disse variablene.
Bayesian-optimal mekanisme: En Bayesian-optimal mekanisme (BOM) er en mekanisme der designeren ikke kjenner verdsettelsene til agentene som mekanismen er designet for, men han vet at de er tilfeldige variabler, og han kjenner sannsynlighetsfordelingen av disse variablene.
Bayesian optimalisering: Bayesian optimalisering er en sekvensiell designstrategi for global optimalisering av black-box-funksjoner som ikke antar noen funksjonelle former. Det brukes vanligvis for å optimalisere funksjoner som er dyre å evaluere.
Bayesian optimalisering: Bayesian optimalisering er en sekvensiell designstrategi for global optimalisering av black-box-funksjoner som ikke antar noen funksjonelle former. Det brukes vanligvis for å optimalisere funksjoner som er dyre å evaluere.
Bayesisk slutning i fylogeni: Bayesian inferens av fylogeni kombinerer informasjonen i tidligere og i datasannsynligheten for å skape den såkalte bakre sannsynligheten for trær, som er sannsynligheten for at treet er riktig gitt dataene, den tidligere og sannsynlighetsmodellen. Bayesian inferens ble introdusert i molekylær fylogenetikk på 1990-tallet av tre uavhengige grupper: Bruce Rannala og Ziheng Yang i Berkeley, Bob Mau i Madison og Shuying Li ved University of Iowa, de to siste var doktorgradsstudenter på den tiden. Tilnærmingen har blitt veldig populær siden utgivelsen av MrBayes-programvaren i 2001, og er nå en av de mest populære metodene innen molekylær fylogenetikk.
Bayesisk forgiftning: Bayesisk forgiftning er en teknikk som brukes av e-postspammere for å forsøke å redusere effektiviteten til spamfiltre som er avhengige av Bayesian spamfiltrering. Bayesisk filtrering er avhengig av Bayesians sannsynlighet for å avgjøre om en innkommende e-post er spam eller ikke er spam. Spammer håper at tilføyelsen av tilfeldige ord som neppe vil vises i en spam-melding, vil føre til at spamfilteret tror at meldingen er legitim - en statistisk type II-feil.
Tidligere sannsynlighet: I Bayesiansk statistisk slutning er en tidligere sannsynlighetsfordeling , ofte bare kalt den tidligere , av en usikker mengde sannsynlighetsfordelingen som vil uttrykke ens tro på denne mengden før noen bevis blir tatt i betraktning. For eksempel kan den tidligere være sannsynlighetsfordelingen som representerer de relative andelene av velgere som vil stemme på en bestemt politiker i et fremtidig valg. Den ukjente størrelsen kan være en parameter for modellen eller en latent variabel i stedet for en observerbar variabel.
Bayesisk sannsynlighet: Bayesisk sannsynlighet er en tolkning av begrepet sannsynlighet, der sannsynlighet tolkes som rimelig forventning som representerer en tilstand av kunnskap eller som kvantifisering av en personlig tro, i stedet for frekvens eller tilbøyelighet til noe fenomen.
Bayesisk sannsynlighet: Bayesisk sannsynlighet er en tolkning av begrepet sannsynlighet, der sannsynlighet tolkes som rimelig forventning som representerer en tilstand av kunnskap eller som kvantifisering av en personlig tro, i stedet for frekvens eller tilbøyelighet til noe fenomen.
Bayesian program syntese: I programmeringsspråk og maskinlæring er Bayesian program synthesis (BPS) en programsyntese teknikk der Bayesian probabilistiske programmer automatisk konstruerer nye Bayesian probabilistic programmer. Denne tilnærmingen står i kontrast til rutinemessig praksis i sannsynlig programmering der menneskelige utviklere manuelt skriver nye sannsynlighetsprogrammer.
Bayesian programmering: Bayesisk programmering er en formalisme og en metodikk for å ha en teknikk for å spesifisere sannsynlighetsmodeller og løse problemer når mindre enn nødvendig informasjon er tilgjengelig.
Bayesisk sannsynlighet: Bayesisk sannsynlighet er en tolkning av begrepet sannsynlighet, der sannsynlighet tolkes som rimelig forventning som representerer en tilstand av kunnskap eller som kvantifisering av en personlig tro, i stedet for frekvens eller tilbøyelighet til noe fenomen.
Bayesisk lineær regresjon: I statistikk er Bayesian lineær regresjon en tilnærming til lineær regresjon der den statistiske analysen blir utført i sammenheng med Bayesian inferens. Når regresjonsmodellen har feil som har en normalfordeling, og hvis det antas en bestemt form for tidligere distribusjon, er eksplisitte resultater tilgjengelige for den bakre sannsynlighetsfordelingen av modellens parametere.
Bayesisk anger: I stokastisk spillteori er Bayesian anger den forventede forskjellen ("* anger") mellom nytteverdien av en Bayesian-strategi og den optimale strategien.
Bayes estimator: I estimeringsteori og beslutningsteori er en Bayes-estimator eller en Bayes-handling en estimator eller beslutningsregel som minimerer den bakre forventede verdien av en tapfunksjon. Tilsvarende maksimerer det den bakre forventningen om en nyttefunksjon. En alternativ måte å formulere en estimator i Bayesian statistikk er maksimal a posteriori estimering.
Bayesisk søketeori: Bayesian search theory er anvendelsen av Bayesian statistikk på søket etter tapte objekter. Den har blitt brukt flere ganger for å finne tapte sjøfartøyer, for eksempel USS Scorpion , og har spilt en nøkkelrolle i gjenopprettingen av flyopptakerne i Air France Flight 447-katastrofen i 2009. Den har også blitt brukt i forsøkene på å finn restene av Malaysia Airlines Flight 370.
Bayesisk søketeori: Bayesian search theory er anvendelsen av Bayesian statistikk på søket etter tapte objekter. Den har blitt brukt flere ganger for å finne tapte sjøfartøyer, for eksempel USS Scorpion , og har spilt en nøkkelrolle i gjenopprettingen av flyopptakerne i Air France Flight 447-katastrofen i 2009. Den har også blitt brukt i forsøkene på å finn restene av Malaysia Airlines Flight 370.
Robust Bayesian-analyse: I statistikk er robust Bayesian-analyse , også kalt Bayesian sensitivitetsanalyse , en type sensitivitetsanalyse som brukes på utfallet fra Bayesian-inferens eller Bayesianske optimale beslutninger.
Naive Bayes spamfiltrering: Naive Bayes-klassifikatorer er en populær statistisk teknikk for e-postfiltrering. De bruker vanligvis funksjoner for å identifisere spam-e-post, en tilnærming som ofte brukes i tekstklassifisering.
Naive Bayes spamfiltrering: Naive Bayes-klassifikatorer er en populær statistisk teknikk for e-postfiltrering. De bruker vanligvis funksjoner for å identifisere spam-e-post, en tilnærming som ofte brukes i tekstklassifisering.
Bayesisk statistikk: Bayesisk statistikk er en teori innen statistikkfelt basert på den bayesiske tolkningen av sannsynlighet der sannsynlighet uttrykker en viss tro på en hendelse. Graden av tro kan være basert på forkunnskap om hendelsen, for eksempel resultatene fra tidligere eksperimenter, eller på personlig tro på hendelsen. Dette skiller seg fra en rekke andre fortolkninger av sannsynlighet, for eksempel hyppighetstolkningen som ser sannsynligheten som grensen for den relative frekvensen til en hendelse etter mange forsøk.
Bayesian slutning: Bayesian inferens er en metode for statistisk inferens der Bayes teorem brukes til å oppdatere sannsynligheten for en hypotese etter hvert som mer bevis eller informasjon blir tilgjengelig. Bayesian inferens er en viktig teknikk i statistikk, og spesielt i matematisk statistikk. Bayesisk oppdatering er spesielt viktig i den dynamiske analysen av en datasekvens. Bayesian inferens har funnet anvendelse i et bredt spekter av aktiviteter, inkludert vitenskap, ingeniørfag, filosofi, medisin, sport og jus. I beslutningsteoriens filosofi er Bayesiansk slutning nært knyttet til subjektiv sannsynlighet, ofte kalt "Bayesisk sannsynlighet".
Bayesisk statistikk: Bayesisk statistikk er en teori innen statistikkfelt basert på den bayesiske tolkningen av sannsynlighet der sannsynlighet uttrykker en viss tro på en hendelse. Graden av tro kan være basert på forkunnskap om hendelsen, for eksempel resultatene fra tidligere eksperimenter, eller på personlig tro på hendelsen. Dette skiller seg fra en rekke andre fortolkninger av sannsynlighet, for eksempel hyppighetstolkningen som ser sannsynligheten som grensen for den relative frekvensen til en hendelse etter mange forsøk.
Bayesiansk strukturell tidsserie: Bayesian Structural Time Series ( BSTS ) -modellen er en statistisk teknikk som brukes til funksjonsvalg, tidsserieprognoser, nowcasting, utledes årsakseffekt og andre applikasjoner. Modellen er designet for å fungere med tidsseriedata.
Bayesian overlevelsesanalyse: Overlevelsesanalyse utføres normalt ved hjelp av parametriske modeller, semi-parametriske modeller, ikke-parametriske modeller for å estimere overlevelsesraten i klinisk forskning. Imidlertid er nylig Bayesian-modeller også brukt til å estimere overlevelsesgraden på grunn av deres evne til å håndtere design- og analyseproblemer i klinisk forskning.
Bayes teorem: I sannsynlighetsteori og statistikk beskriver Bayes teorem , oppkalt etter pastor Thomas Bayes, sannsynligheten for en hendelse, basert på forkunnskaper om forhold som kan være relatert til hendelsen. For eksempel, hvis det er kjent at risikoen for å utvikle helseproblemer øker med alderen, tillater Bayes teorem at risikoen for et individ i en kjent alder kan vurderes mer nøyaktig enn bare å anta at individet er typisk for befolkningen som helhet.