为获得正确的节点次序，提高K2算法的执行效率和精确度，提出一种构建基因调控网络的IE―K2算法。基于两个节点互信息构建无向图，通过引入联合信息熵来获得最佳的节点次序。在Alann网络中的实验结果表明，其预测的准确率优于爬山算法和随机节点顺序的K2算法；将IE―K2算法用于构建酿酒酵母的基因调控网络，通过现有文献证明了调控关系的正确性，结果显示了该算法的有效性。

基于贝叶斯理论的基因调控网络建模研究，缑葵香，论文

对比决策树分类 整棵决策树就对应着一组析取表达式规则。

采用朴素贝叶斯的学习方法对垃圾邮件进行判别分类。程序可在Matlab中运行。注意：程序代码在压缩包中的Homework 1 solution.pdf 中！

项目简介 用搭载Keras的tensorflow框架通过卷积神经网络训练模型，使用贝叶斯分类器识别人类的情绪。 根据情绪选择相应的emoji匹配 （更多详情请打开FaceEmotionClassifier.ipynb文件） 项目环境 数据集： Fer2013 ( kaggle挑战赛 ) ，Emoji表情集 神经网络框架： Keras,Tensorflow-gpu 分类器： 基于Opencv-Normal Bayes Classifier(正态贝叶斯分类)训练的贝叶斯分类器 配置环境： python==3.6.0 tensorflow-gpu==1.8.0 keras-gpu==2.1.6 opencv==3.3.1 其他环境详见：environment.yaml

pybn （下架）：请尝试 一个用于贝叶斯网络建模和推理的简单 python 库 特点： 具有以下功能的有向无环图 (DAG) 类：父母、孩子、祖先、后代、所有 v 结构、道德化。 无向图实现。 用于测试独立性的 a-Separation 类。 i-Separation，一种在 DAG 中测试独立性的替代方法，它考虑了初始变量及其后代，并且在更大的网络中速度更快。 具有乘法、除法、边缘化等操作的条件概率表 (CPT) 实现。 消除排序（最小邻居、最小权重、最小填充、加权最小填充） 变量消除（删除贫变量，独立于证据变量，创建一张新的根变量表，等等）。 实用程序： 从 BIF 文件加载网络。

头歌模式识别第二次实验 第1关：朴素贝叶斯分类算法流程

大规模贝叶斯层次建模 ，博客文章附带了源代码 。 注意：该代码是GPL-2许可的。 如果出于商业原因，您需要更宽松的许可，请与我联系以获得您的企业的许可。 安装 为了设置必要的环境： 创造一种环境， bhm-at-scale的帮助下， conda env create -f environment.yaml # or `environment.lock.yaml` for exact reproduction 激活新环境 conda activate bhm-at-scale 使用以下bhm-at-scale安装bhm-at-scale ： python setup.py install # or `develop` 然后看一看notebooks文件夹。 依赖性管理和可重复性 如果以后要通过pip和安装软件包，请始终在environment.yaml以及最终在setup.cf

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

这个程序是关于贝叶斯分类器的MATLAB程序，前面是简介，后面是程序