小时间序列在宏观经济领域普遍存在, 对小时间序列的分类预测也有着广泛的需求.由于小时间序列 蕴含的信息不充分, 有效地提高小时间序列分类预测的可靠性非常困难, 目前也缺少这方面的研究.针对这种情况, 在基于引入平滑 参数的高斯核函数估计属性边缘密度的基础上, 建立用于小时间序列分类预测的动态朴素贝叶斯分类器, 并给出平滑参数的同步和异步优化方法.实验 结果表明, 优化能够显著提高小时间序列分类预测的准确性.

目前,基于内容的垃圾邮件过滤问题是Internet安全技术研究的一个重点问题,将机器学习的相关方法应用于垃圾邮件的搜索和判定是进行大量垃圾邮件处理的有效方法。由于贝叶斯分类方法在垃圾邮件处理上表现出了很高的准确度,因此基于贝叶斯分类的垃圾邮件分类方法受到了广泛的关注。主要介绍了贝叶斯方法的理论依据和实现方法,总结了近几年的贝叶斯分类方法的研究情况和贝叶斯方法在垃圾邮件处理中应用的优点和局限性,并提出了下一步可能的研究方向。

变维贝叶斯，基于可逆跳的马尔可夫链蒙特卡洛方法实现，RJMCMC

在高效视频编码（HEVC）中，SKIP.mode是一种高效的帧间预测工具，具有较高的编码性能，较低的复杂度。 本文提出了一种早期的SKIP.mode决策算法来加速编码过程。 以SKIP模式的速率失真成本（RD-cost）作为决策标准。 采用非参数密度估计方案将SKIP RD成本分布空间划分为高区分区域（HDR）和低区分区域（LDR）。 对于给定的编码单位（CU），如果SKIP RDcost。落入HDR，则将SKIP模式直接选择为最佳模式。 如果RD成本映射到LDR，则采用贝叶斯风险最小化规则来确保RD性能。 统计参数根据不同的QP和CU深度进行更新。 实验结果表明，所提出的算法可以减少47％的编码时间，而平均仅增加BD-bitrate的0.34％。

adaboost 演示demo（基于Matlab，学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等），动态GUI显示学习过程、vote过程等

§2.2.2后验方差与均方差

基于协同过滤的电子商务推荐系统极易受到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.

挖掘时间相关性的结构贝叶斯学习算法代码。

朴素贝叶斯对新闻进行分类，做了分类后数据可视化，代码下载即可运行。

机器学习课程中的一个案例 贝叶斯拼写纠错 数据集 big.txt