傅里叶变换学习的经典版本，包含了中文和英文版，方便对比……

公共贝叶斯优化库（COMBO） 贝叶斯优化已被证明是加速科学发现的有效工具。 但是，标准实施方式（例如scikit-learn）只能容纳少量的培训数据。 COMBO具有高效的协议，因此具有很高的可扩展性，该协议采用了Thompson采样，随机特征图，一排Cholesky更新和自动超参数调整。 技术功能在进行了描述。 所需的包 的Python 2.7.x numpy的> = 1.10 scipy> = 0.16 Cython> = 0.22.1 mpi4py> = 2.0（可选） 安装 1. Download or clone the github repository, e.g. > git clone https://github.com/tsudalab/combo.git 2. Run setup.py install > cd combo > python setu

通俗简介了傅里叶变换在电路、线性系统，天线近远场变换，口径面基尔霍夫衍射或杨氏双缝干涉，以及求解常微分和偏微分等方面的应用。行文轻松幽默易读，很受用。

对离散傅里叶变换快速算法的经典讲解（非常易懂）这里对离散傅里叶变换DFT的的快速算法做了详尽的解释，方便想了解此算法的同学快速掌握它

贝叶斯中文书，通俗易懂，讲解清晰 中文书当中较好的，推荐

贝叶斯网络参数学习 课程项目-COL884（Spring'18）：人工智能的不确定性 创作者：Navreet Kaur [2015TT10917] 客观的： 警报贝叶斯网络给定数据的贝叶斯参数学习，每行最多有一个缺失值。 使用的算法： 期望最大化 目标： 这项任务的目的是获得学习贝叶斯网络的经验，并了解它们在现实世界中的价值。 设想： 医学诊断。 一些医学研究人员创建了贝叶斯网络，该网络对（某些）疾病和观察到的症状之间的相互关系进行建模。 作为计算机科学家，我们的工作是根据健康记录来学习网络的参数。 不幸的是，在现实世界中，某些记录缺少值。 我们需要尽力计算网络参数，以便以后可以将其用于诊断。 问题陈述： 我们得到了由研究人员创建的贝叶斯网络（如BayesNet.png所示），注意此处对八种诊断进行了建模：血容量不足，左心衰竭，过敏React，镇痛不足，肺栓塞，插管，弯管和断线。

fft 数字信号处理代码实现蝶形算法，实现快速傅里叶变换。

FFT快速傅里叶变换的C++程序,已封装成类,里面有详细的使用说明,特别适合C++Builder等标准编译器使用，还准备了一个小小的PPT(是别人做了ppt,我在网上下后做了修改,适合自学者编写FFT程序时参考)

这里的文件是： 1- load_data：从csv文件导入数据2- 可视化：打印特征分布的直方图。 在名为可视化的文件夹中的训练数据中的两个类。 3-estimate_：估计给定数据的模型4-classify_：根据模型和数据进行分类5-测试：使用 alpha=1:0.1:1000 测试 Naive 分类器并在可视化文件夹中打印一个名为 (accuracy 1-1000.pdf) 的图6- InspectTheModel：尝试衡量每个类的每个特征值的影响7-jointProb：计算给定一个类的两个给定特征值的联合概率8- 互信息：计算训练数据上的互信息以驱动最可能的依赖特征对。 9- testingBonus：使用候选特征对测试朴素分类器。 要运行演示，请运行testing.m，但是根据需要更改开始，步骤和结束！

数学之美：平凡而神奇的贝叶斯定理；概率论只不过是把常识用数学公式表达了出来。