第二版.作者: John Kruschke 出版社: Academic Press 副标题: A Tutorial with R, JAGS, and Stan

基于贝叶斯网络的可靠性评估，输入个元件的故障率数据，计算各元件的条件概率，建立贝叶斯网络，贝叶斯推理，得到系统可靠工作情况下各元件的工作概率。

Bayesian Color Constancy Revisited 对马赛克形式的图像实现颜色恒常。来自PAMI一区文章的代码

brms 概述 brms程序包提供了一个接口，以使用Stan来拟合贝叶斯广义（非）线性多元多级模型，这是一个用于执行完整贝叶斯推理的C ++程序包（请参见 ）。 公式语法与软件包lme4的语法非常相似，以提供用于执行回归分析的熟悉且简单的界面。 支持广泛的响应分布，使用户可以在多级上下文中拟合线性，鲁棒线性，计数数据，生存时间，响应时间，序数，零膨胀甚至自定义混合模型等。 进一步的建模选项包括非线性和平滑项，自相关结构，检查数据，缺失值插补等。 另外，可以预测响应分布的所有参数，以执行分布回归。 多变量模型（即具有多个响应变量的模型）也可以拟合。 先前的规范是灵活的，并且明确鼓励用户使用实际上反映其信念的先前发行版。 可以轻松评估模型拟合度，并将其与后验预测检查，交叉验证和贝叶斯因素进行比较。 资源 （统计软件期刊） （R Journal） （具有文档和小插曲的brms网站） （有关

最大似然估计、最大后验概率估计、贝叶斯估计、朴素贝叶斯方法的区别

该综述文章为贝叶斯因子分析模型的综述，较好的整理了因子分析模型的概念以及基本理论分析，是对因子分析方法入门学习的较好参看文章

Bayesian 压缩感知 代码 是Bayesian Compressive Sensing 论文里的代码，对于学习Bayesian Compressive Sensing 很有帮助

Bayesian Analysis with Python 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

贝叶斯应用方面教程。 Bayesian analysis of data in the health，social and physical sciences has been greatly facilitated in the last decade by advances in computing power and improved scope for estimation via iterative sampling methods. Yet the Bayesian perspective，which stresses the accumulation ofknowledge about parameters in a synthesis of prior knowledge with the data at hand，has a longer history. Bayesian methods in econometrics，including applications to linear regression，serial correlation in time series，and simultaneous equations，have been developed since the 1960s with the seminal work of Box and Tiao (1973) and Zellner (1971). Early Bayesian applications in physics are exemplified by the work of Jaynes (e.g. Jaynes，1976) and are discussed，along with recent applications， by D?Agostini (1999). Rao (1975) in the context of smoothing exchangeable parameters and Berry (1980) in relation to clinical trials exemplify Bayes reasoning in biostatistics and biometrics， and it is here that many recent advances have occurred.

领域内的经典，非常值得一看的红宝书，推荐