吉布斯采样matlab代码Latent-Dirichlet-Allocation-LDA-（MATLAB中的代码） 自然语言处理算法 概率生成模型 Latent Dirichlet Allocation根据主题比例和单词比例对文档进行分类的方法 贝叶斯推断使用折叠的吉布斯采样 与传统的吉布斯采样器相比，收敛速度更快，错误率低 参考文献：托马斯·格里菲斯（Thomas L. Griffiths）和马克·史蒂佛斯（Mark Steyvers）发现科学课题（2004） 这里考虑的词汇大小为16，并使用4x4图像表示。 图像中的每个像素代表词汇表中的一个单词。 像素越亮，在文档/主题中的频率越高。 下图显示了8个主题作为单词分布的基本事实。 现在，使用这些主题生成了500个长度为100的文档。 图像下方显示了生成的文档示例。 现在，在这些生成的文档上运行了LDA（超过500次迭代），并发现了主题。 下面的屏幕快照显示了在初始迭代和最终迭代中发现的主题。 Theta地面真相值 范例文件 初始Phi迭代 最终Phi迭代 经过最终的迭代，发现的主题为： 它包含以下功能： 1）代码LDA Matlab

使用多基因座标记基因型数据推断人群之间的近期迁移率。

贝叶斯方法 概率编程与贝叶斯推断 贝叶斯方法 概率编程与贝叶斯推断

动态贝叶斯网络（Dynamic Bayesian Network, DBN），是一个随着毗邻时间步骤把不同变量联系起来的贝叶斯网络。这通常被叫做“两个时间片”的贝叶斯网络，因为DBN在任意时间点T，变量的值可以从内在的回归量和直接先验值（time T-1）计算。DBN是BN（Baysian Network）的扩展，BN也称作概率网络（Probabilistic Network）或信念网络（Belief Network）。

基于SIFT特征与贝叶斯推断实现的图像配准算法设计

《贝叶斯方法 概率编程与贝叶斯推断》的完整源代码， 作者：Cameron Davidson-Pilon 翻译：辛愿 钟黎 欧阳婷

贝叶斯推理的方法非常自然和极其强大。然而，大多数图书讨论贝叶斯推理，依赖于非常复杂的数学分析和人工的例子，使没有强大数学背景的人无法接触。不过，现在好了，卡梅伦的这本书从编程、计算的角度来介绍贝叶斯推理，把贝叶斯理论和编程实践结合起来，使大多数程序员都可以入门并掌握。

贝叶斯推理的方法非常自然和极其强大。然而，大多数图书讨论贝叶斯推理，依赖于非常复杂的数学分析和人工的例子，使没有强大数学背景的人无法接触。不过，现在好了，卡梅伦的这本书从编程、计算的角度来介绍贝叶斯推理，把贝叶斯理论和编程实践结合起来，使大多数程序员都可以入门并掌握。 本书通过强大的Python语言库PyMC，以及相关的Python工具，包括NumPy\SciPy\Matplotlib讲解了概率编程。通过本书介绍的方法，读者只需付出很少的努力，就能掌握有效的贝叶斯分析方法。

贝叶斯方法 概率编程与贝叶斯推断 Bayesian Methods for Hackers Probabilistic Programming and Bayesian Inference 中文版，结合编程讲贝叶斯方法，非常具有实践价值的一本好书！

平均场理论，变分法，贝叶斯推断，EM 算法，KL 散度，变分估计，变分消息传递