实现了高斯、多项式、伯努利三种朴素贝叶斯模型，能够处理离散型数据和连续型数据，并提供预测结果概率。对于像鸢尾花这类的连续型数据可以直接采用MyGaussianNB预测。离散型数据采用MyMultinomialNB预测。离散型数据，且特征值只有0,1两种取值情况的采用MyBernoulliNB预测。三种模型都可以通过score方法评估模型准确率，都可以通过predict_proba方法输出预测结果概率。 此外，为了优化和改进模型，使MyMultinomialNB和MyBernoulliNB能够预测连续型数据，还实现了基于numpy和pandas的分箱函数MyDiscretizer以及二值化函数MyBinarizer。

大数据-算法-非线性非高斯条件下贝叶斯滤波若干问题研究.pdf

大数据-算法-非参数贝叶斯方法在时间序列中的应用研究.pdf

四个机器学习实验，主要涉及简单的线性回归、朴素贝叶斯分类器、支持向量机、CNN做文本分类，内附实验指导书、讲解PPT、参考代码 1、实验讲解PPT 4份 实验一 线性回归模型实验指导 实验二 支持向量机模型实验指导 实验三 贝叶斯分类解决西瓜问题 实验四 基于tensorflow实现CNN文本分类 2、实验指导书 4份 实验一 线性回归实验指导书 实验二 支持向量机实验指导书 实验三 贝叶斯分类实验指导书 实验四 基于tensorflow实现cnn文本处理实验指导书 3、实验参考代码 4份 实验一 LinearRegression 实验二 SVM 实验三 bayes_classify_demo 实验四 cnn-text-classification-tf

《概率论与数理统计》课程思政贝叶斯公式

五、贝叶斯克里金（BK） H.Omre在（1987）把线性贝叶斯理论用于克里金估计技术，提出了贝叶斯克里金估计技术。他构想了一个模型，把用于空间估计的数据分为两类： 观察数据：是指那些精度比较高，但数量比较少的数据 猜测数据：是指那些精度比较低，但分布广泛的数据 在观测数据比较多的地方，估计结果主要受观测数据的影响；在观测数据比较少的地方，则主要受猜测数据的影响。 显然，井数据和地震数据的关系符合贝叶斯估计中观测数据和猜测数据的关系。

本资源为机器学习实战的所有源代码。包含的内容有使用k-近邻算法改进约会网站的配对效果、使用k-近邻算法识别手写数字、使用决策树预测隐形眼镜类型、使用朴素贝叶斯过滤垃圾邮件、从疝气病症预测病马的死亡率、SVM手写识别问题回顾、利用AdaBoost元算法提高分类、线性回归预测鲍鱼的年龄、岭回归预测乐高玩具套装的价格、树回归、K-means对地理坐标进行聚类、Apriori算法发现毒蘑菇的相似特征、FP-growth算法从新闻网站点击流中挖掘、PCA对半导体制造数据降维、SVD基于协同过滤的推荐引擎、分布式SVM的Pegasos算法、用mrjob实现MapReduce版本的SVM。’

机器学习+贝叶斯分类器+北邮自动化作业+实验+yhh大家都懂的，作业巨多的那个老师，创作不易

面向语义的文本分类是指在给定的分类体系下，根据文本的内容自动识别文本类别的过程。是一种基于朴素贝叶斯算法的分类技术应用与中文短文本分类。

freebayes, 基于贝叶斯单体的遗传多态性 freebayes，一种基于单体型的变种检测器用户手册和指南 [Gitter](https://badges.gitter.im/Join chat 。svg )!概述基于基因序列的基因变异检测器是一种用于发现小多态性，特别是