本文讨论了贝叶斯方法，用于在测试过程中估计和预测软件系统的可靠性。 针对软件故障，提出了由Musa-Okumoto（1984）软件可靠性模型引起的非均质泊松过程（NHPP）。 Musa-Okumoto NHPP可靠性模型由执行时间部分和日历时间部分两个部分组成，是软件可靠性分析中的一种流行模型。 软件可靠性模型的预测分析对于修改，调试和确定何时终止软件开发测试过程非常重要。 但是，文献中缺少对Musa-Okumoto（1984）NHPP模型的贝叶斯和古典预测分析。 本文讨论了与开发测试程序密切相关的单样本预测中的四个软件可靠性问题。 采用基于非信息先验的贝叶斯方法来为这些问题制定明确的解决方案。 给出了基于真实和模拟数据的示例，以说明已开发的理论预测结果。

一项众包实验，其中，英国广播公司（BBC）电视节目的观看者（“人群”）提交了不倒翁硬币数量的估计值（在第1部分）中显示，服从对数正态分布∧ （m，s2）。 硬币估计实验是适用于众包解决方案的广泛图像分析和对象计数问题的原型。 当前文章（第2部分）的目的是通过贝叶斯方法和最大似然（ML）方法确定∧（m，s2）的位置和比例参数（m，s），并比较结果。 分析的结果之一是通过杰弗里斯的规则解决了有关适当贝叶斯先验问题的问题。 结果表明，贝叶斯分析和ML分析导致位置参数的表达式相同，但尺度参数的表达式不同，这在无限样本量的限制内变得相同。 分析的第二个结果涉及使用样本均值作为不寻求或不知道响应分布的应用程序中人群信息的度量。 在硬币估计实验中，发现样本均值与根据∧（m，s2）计算出的平均硬币数相差很大。 这种不一致性引发了关于样本平均值是否以及在何种条件下提供人群信息的可靠度量的关键问题。 本文通过使用最大熵原理（PME）解决了该问题。 PME产生了一组方程，用于找到与给定的先验信息且仅与该信息一致的最可能的分布。 如果对于指定的样本均值和样本方差没有PME方程的解，则样本均值是不可靠的统计信息

机器学习--贷款违约行为预测（基于逻辑回归和朴素贝叶斯和随机森林及SVM四种方法实现，资源包含完成则代码及数据，数据3万余条记录

通过考虑与速率常数参数和动力学模型结构误差相关的不确定性，在该研究中使用贝叶斯推断来评估α-pine烯的热异构化速率同意的后验分布。 α-pine烯的热异构化动力学模型显示具有数学上不适的系统，这使得难以应用基于梯度的优化方法进行速率常数评估。 贝叶斯推断将速率常数的后验概率分布与满足实验测量浓度的反应产物模型浓度和参数的先验概率分布的似然概率相关联。 马尔可夫链蒙特卡洛（MCMC）用于从后验分布中抽取样本，同时考虑贝叶斯推断关系。 本研究应用多项式随机游走Metropolis-Hastings来构建速率常数，置信区间和相关系数矩阵的直方图。 结果表明，考虑到不确定性，贝叶斯方法可以成功地应用于估计反应模型速率常数的置信区间。

贝叶斯分类器设计的一个matlab程序，希望对大家有用

用matlab软件 设计实现贝叶斯估计的例子 仿真实验 计算错误率

BADS是一种新颖的快速贝叶斯优化算法，旨在解决棘手的优化问题，尤其是与拟合计算模型有关（例如，通过最大似然估计）。 在存在实际模型拟合问题的基准测试中，BADS的表现与其他许多常见且最新的MATLAB优化器（例如fminsearch，fmincon和cmaes [1]）相当或更高。 BADS当前在世界各地的许多计算实验室中得到使用，涉及从行为，认知和计算神经科学到工程和经济学的一百多种引用和应用。 如果没有可用的梯度信息，并且目标函数是非分析性的或嘈杂的，例如通过数值逼近或模拟评估，则建议使用BADS。 BADS不需要特定的调整，并且可以像其他内置的MATLAB优化器（例如fminsearch）一样现成运行。 ***有关广泛的信息，教程和文档，请访问该项目的GitHub页面： https : //github.com/lacerbi/bads *** 如果您有兴趣估计参数的后验

软件: anaconda jupyter notebook 运行代码文件：naive bayes.ipynb python环境

java编写的贝叶斯网络分类器（贝叶斯算法java版本的代码） JavaBayes-0.346.zip JavaBayes-javadoc-0.346.jar JavaBayes-manual-0.346.ps.gz

【完整课程列表】 完整版 南京邮电大学 机器学习课程教程PPT课件 1-1.机器学习简介-上课版part1（共31页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 1-2 机器学习简介-上课版part2（共55页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 2. 概念学习 分类（共27页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 3 决策树（共44页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 4-1 贝叶斯学习（共18页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 5. 神经网络（共42页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 6 支持向量机（共29页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 7. 基于实例的学习-k近邻（共17页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 8-1 模式选择和评估（共30页）.pdf 完整版 南京邮电大学 机器学习课程教程PPT课件 8-2 模式选择和评估（共14页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 9. 计算学习理论（共26页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 10 聚类分析（共74页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 12 特征选择（共36页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 13 Sparse-SDM10（共133页）.pdf 完整版 南京邮电大学 机器学习课程教程PPT课件 14 机器学习总结（共25页）.ppt 完整版 南京邮电大学 机器学习课程教程PPT课件 15 Overview of ensemble（共31页）.ppt