通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

数据同化和EnKF简介 立即使用以下云计算提供商之一： （需要Google登录） （没有登录，但启动速度可能很慢） 总览 交互式（Jupyter笔记本） 包含理论，代码（Python）和练习。 建议：成对工作。 每个教程大约需要75分钟。 导师将分发以协助练习， 并对每个部分进行总结后再进行总结。 本地工作说明 您也可以在自己的（Linux / Windows / Mac）计算机上运行这些笔记本。 这比在线运行它们要快一些。 先决条件：Python> = 3.6。 如果您不是python专家： 1a。 通过安装Python。 1b。 使用运行以下命令。 1c。 （可选） 。 如果安装（以下）失败，请首先尝试执行步骤1c。 安装： 在终端中运行以下命令（不包括$符号）： $ git clone https://github.com/nansencenter/DA-tutori