持续时间歧视的分层贝叶斯建模 该项目是针对Boğaziçi大学的Ali Taylan Cemgil开设的贝叶斯统计和机器学习课程进行的，并作为小组项目重新实施。 该项目的参考文件是加利福尼亚大学欧文分校的迈克尔·李（Michael Lee）撰写的“认知建模中的贝叶斯方法”。 可以在上找到Michael Lee的代码和数据。 在该项目中，使用了MATJAGS（MATLAB JAGS接口）。 作为一种推断方法，JAGS中使用了MCMC系列中的Gibbs采样算法。 为了选择更好的模型，实施了Savage-Dickey方法，这在认知心理学文献中经常使用。 通常，由Michael Lee实施的项目比我们实施的模型更多。 我们已实现的模型用于： 评估信息似然函数的先验和模糊先验 寻找试验之间的顺序影响 寻找污染物试验 选择似然函数（使用潜在混合方法） 评估个体差异（使用分层贝叶斯建模） 预

针对粒子流滤波器中粒子速度场计算复杂, 难以滤波求解的问题, 提出一种基于弱形式解的粒子流滤波器. 通过将粒子速度场等效为势函数的梯度, 推导该速度场所满足的偏微分方程的弱形式; 应用Galerkin 有限元法和蒙特卡罗积分法, 推导出一个易于计算的弱形式常数近似解. 仿真算例表明, 在一定初始条件下, 多峰型后验分布会使高斯假设滤波器局部收敛, 而粒子流滤波器是有效的, 且具有较高的跟踪精度和较好的鲁棒性.

Naive-Bayes-classification

时序预测_Bayes贝叶斯推理_优化LSTM预测Matlab实现(含完整源码+数据) Matlab实现了随机波动率模型(包括LSTM-SV, SV等)的贝叶斯推理、预测和模拟。

来自东京RIKEN研究中心的Emtiyaz Khan在SPCOM2020上给了关于以贝叶斯原理进行深度学习的教程《Deep Learning with Bayesian Principles》，共有256页ppt，以及撰写了最新的论文，讲述贝叶斯和深度学习如何结合到一起进行学习新算法，提出了一种基于贝叶斯原理的学习规则，它使我们能够连接各种各样的学习算法。

这是一个简单的应用LSTM在Pytorch文本分类任务上，使用贝叶斯优化超参数调优。 【配置】 可以在src/constants.py文件中设置各种超参数。 每个变量的说明如下。 注意，对于贝叶斯优化，要调优的超参数应该以元组的形式传递。 你可以将参数设置为一个元组或一个特定的值。 前者意味着该论证将被纳入贝叶斯优化的主题，而后者意味着它不应被纳入。 【操作运行】 参考代码中的项目说明文件，按照说明一步步操作

物流人工智能_机器学习

基于贝叶斯多项式的曲线拟合（Matlab完整程序） 基于贝叶斯多项式的曲线拟合（Matlab完整程序） 基于贝叶斯多项式的曲线拟合（Matlab完整程序）

朴素贝叶斯学习笔记，和文本分类代码实现。 可用于不明白朴素贝叶斯算法或者不知道改如何调用python的sklearn实现朴素贝叶斯算法的初学者

贝叶斯优化CNN-RNN时间序列预测（Matlab完整程序） 贝叶斯优化CNN-LSTM时间序列预测（Matlab完整程序） 贝叶斯优化CNN-BiLSTM时间序列预测（Matlab完整程序）