Ganz praktisch: Probabilistische Funktionen

Zufallsprozesse sind überall, zum Beispiel: Aktienkurse, Antwortzeiten, Luftverschmutzung. Probabilistische Funktionen können Zufallsprozesse lernen, simulieren und Vorhersagen versuchen.

Ein wenig Theorie

• Universal (Higher Order) Probabilistic Programming
• Stochastische Prozesse sind Probabilistische Funktionen
• “A Convenient Category for Higher-Order Probability Theory”

Intuition Gaußprozesse

• einfach, gutartig, vielseitig
• Anwendungen ohne Ende: Optimierung, Robotik, Geowissenschaften, …
• viele Einzeiler, viele Plots

Fallstudie: Interpolation Mauna Loa CO2-Daten

• Julia GaussianProcesses.jl
• Kovarianzfunktions-Zoo

Tinkering around

• Analyse einfacher Datasets
• probabilistische Funktionen selbst gebaut (Closures + Currying)

Vorbereitung

Julia kann hier heruntergeladen werden:

https://julialang.org/downloads/

Zur Vorbereitung bitte noch die Packages GaussianProcesses, DelimitedFiles, Distributions und Plots installieren. Dazu Julia starten (mit dem Befehl julia) und die Pkg-REPL aktivieren durch Drücken auf ].

Dort folgenden Befehl absetzen:

add GaussianProcesses DelimitedFiles Distributions Plots

Dann die Pkg-REPL verlassen mit Backspace und die Packages vorcompilieren mit:

using GaussianProcesses DelimitedFiles Distributions Plots

Christoph Schmalhofer

Christoph Schmalhofer works as Software Architect for InNuce Solutions in Hamburg.

Er hat Philosophie und Physik studiert und arbeitet seit 20 Jahren in der Software-Entwicklung. Er hat unter anderem ein OODBMS, Kreditrating-Software und einen Fahrzeugkonfigurator mitentwickelt.