通过iris.txt的训练，再利用test.txt进行测试

贝叶斯与决策树算法在入侵检测中的应用

贝叶斯实验室 我的贝叶斯和概率编程相关实验的回购

BayHunter v2.1 BayHunter是一个开源Python工具，用于执行表面波色散和/或接收器功能的McMC多维贝叶斯反演。 该算法遵循数据驱动策略，并针对速度-深度结构，层数，Vp / Vs比和噪声参数（即数据噪声相关性和幅度）进行求解。 包装内提供了正向建模代码，但可以轻松地用自己的代码替换。 也可以添加（完全不同的）数据集。 BayWatch模块可用于在运行时实时进行反转：这使您很容易看到每个链如何探索参数空间，数据如何拟合和模型如何变化以及反转的方向。 引文 詹妮弗·德瑞琳（Dreiling） Tilmann，Frederik（2019）：BayHunter-接收机功能的McMC多维贝叶斯反演和面波频散。 GFZ数据服务。 应用实例 Dreiling等。 （2020年）：斯里兰卡的地壳结构，是通过使用贝叶斯方法对地表波色散和接收器函数进行联合反演而得出的。 地球物

从数据中学习结构是贝叶斯网络研究最重要的基本任务之一。 特别地，学习贝叶斯网络的可选结构是一个不确定的多项式时间（NP）难题。 为了解决这个问题，已经提出了许多启发式算法，并且其中一些在不同类型的先验知识的帮助下学习贝叶斯网络结构。 然而，现有算法对先验知识有一些限制，例如质量限制和使用限制。 这使得很难在这些算法中很好地利用先验知识。 在本文中，我们将先验知识引入了马尔可夫链蒙特卡洛（MCMC）算法，并提出了一种称为约束MCMC（C-MCMC）算法的算法来学习贝叶斯网络的结构。 定义了三种类型的先验知识：父节点的存在，父节点的不存在以及分布知识，包括边缘的条件概率分布（CPD）和节点的概率分布（PD）。 所有这些类型的先验知识都可以轻松地用在该算法中。 我们进行了广泛的实验，以证明所提出的方法C-MCMC的可行性和有效性。

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。