在 Machine Learning 中，LDA 是两个常用模型的简称： Linear Discriminant Analysis 和 Latent Dirichlet Allocation， 在这篇文章中我们主要八卦的是后者。LDA 是一个在文本建模中很著名的模型，类似于 SVD, PLSA 等模型， 可以用于浅层语义分析,在文本语义分析中是一个很有用的模型。很不幸的是，这个模型中涉及的数学知识有点多， 包括 Gamma 函数， Dirichlet 分布， Dirichlet-Multinomial 共轭， Gibbs Sampling, Variational Inference, 贝叶斯文本建模，PLSA 建模, 以及 LDA 文本建模。 这篇文章的主要目标，就是科普在学习理解LDA 模型中，需要了解的一些重要的数学知识。 预设的读者是做自然语言处理、机器学习、数据挖掘方向的工程师， 要读懂这篇科普，需要的数学基础知识基本上不超过陈希孺先生的《概率论与数理统计》这本书。

针对现有动态面板数据分析中存在偶发参数和没有考虑模型参数的不确定性风险问题,提出了基于Gibbs抽样算法的贝叶斯随机系数动态面板数据模型。假设初始值服从平稳分布,自回归系数服从Logit正态分布的条件下,设计了Markov链Monte Carlo数值计算程序,得到了模型参数的贝叶斯估计值。实证研究结果表明:基于Gibbs抽样方法的贝叶斯动态面板回归模型能有效地揭示跨截面滞后变量对响应变量的位置、尺度和形状的影响。

吉布斯采样器主题发现 这个 python 脚本是用于在字符序列中查找模式的 gibbs 采样的实现。 一个流行的例子是在 DNA 序列中找到基序。 从另一个脚本运行 首先，导入模块 gibbs 然后调用带有参数序列和字长的方法采样，输出是每个序列的单词位置 有关代码的更多解释（印度尼西亚语），请参阅 。

基于GIBBS方程的油井泵功图计算与相似性分析，朱建锦，李训明，泵功图是抽油系统最接近实际工况的示功图，此文基于有限元分析理论建立了油井的数学模型，采用一维GIBBS方程由地面示功图计算井下�

gibbs的程序 很全面的程序代码 可以作为工具用

Gibbs分布是很重要的一种分布，在统计建模方面有重要帮助

该代码是LDA主题模型，里面程序很完整，多种不同方法实现LDA，包括Gibbs采样等

利用Excel绘制地球化学中Gibbs曲线，方便，便于操作。其中也介绍了操作教程。

基于Block Gibbs的航空公司外航服务人员排班算法

分层潜在Dirichlet分配 分层潜在狄利克雷分配（hLDA）解决了从数据中学习主题层次结构的问题。 该模型依赖于称为嵌套中国餐厅过程的非参数先验，该过程允许任意大的分支因子，并可以轻松容纳不断增长的数据收集。 hLDA模型将此先验与基于潜在Dirichlet分配的分层变体的可能性相结合。 执行 是用于hLDA推断的Gibbs采样器，基于的实现，在nCRP树上具有固定的深度。 安装 只需使用pip install hlda即可安装该软件包。 可以在找到一个示例笔记本，该笔记本可以推断BBC Insight语料库上的层次结构主题。