朴素贝叶斯分类器不能有效地利用属性之间的依赖信息, 而目前所进行的依赖扩展更强调效率, 使扩展后分类器的分类准确性还有待提高. 针对以上问题, 在使用具有平滑参数的高斯核函数估计属性密度的基础上, 结合分类器的分类准确性标准和属性父结点的贪婪选择, 进行朴素贝叶斯分类器的网络依赖扩展. 使用UCI 中的连续属性分类数据进行实验, 结果显示网络依赖扩展后的分类器具有良好的分类准确性.

将课程教学资源融合到学生模型构建中，描述了包括领域知识拓扑结构的建立、条件概率表学习算法的推理的详细过程，最终得到了学生模型中关于章节知识项的贝叶斯网络结构图，并通过一个实验系统对个性化教学系统中学生模型建构的整个框架的可行性进行了验证。

动态贝叶斯网络（DBN）广泛应用于各种生物网络的建模，包括基因调控网络。 由于学习静态贝叶斯网络的几个 NP-hardness 结果，大多数学习 DBN 的方法都是启发式的，使用局部搜索（如贪心爬山）或元优化框架（如遗传算法或模拟退火）。 我们提出了 GlobalMIT，这是一个工具箱，用于使用最近引入的基于信息理论的评分指标互信息测试 (MIT) 来学习全局最优 DBN 结构。 在 MIT 下，可以在多项式时间内高效地实现全局最优 DBN 的学习。 该工具箱是在 Matlab 中实现的，还有搜索引擎的 C++ 独立实现以提高性能。 该项目由澳大利亚维多利亚州莫纳什大学 Gippsland 信息技术学院的生物信息学和系统生物学小组进行。 该项目由 Vinh Nguyen 管理。 最新版本的工具箱可在以下网址找到： http : //code.google.com/p/globalm

英文 该目录包含文件，用于复制Creel，Gao，Hong和Kristensen撰写的论文“贝叶斯间接推断和GMM的ABC”中用于获取DSGE模型结果的过程，该文件将很快提供。 DSGE.pdf文件是摘录，提供了说明和结果。 估计器是使用重要性采样和局部线性非参数回归计算的近似贝叶斯计算估计器。 需要Open MPI，Julia（带有MPI和Distances软件包），Octave（带有MPI软件包）和其他支持代码，可从 要复制结果，请从bash提示符处执行“ sh MasterScript”。 如有疑问，请写信给

该资源为机器学习算法2详细讲解，包括朴素贝叶斯、支持向量机、EM算法、HMM模型、集成学习进阶以及拓展理论和实践案例等详细讲解。

通过概率密度函数对图像逐个像元的进行分类

研一机器学习作业，贝叶斯分类器

计算机视觉-贝叶斯学习MATLAB源码 贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。 　 　由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。为此，就衍生出许多降低独立性假设的贝叶斯分类算法，如TAN(tree augmented Bayes network)算法。

全概率公式和贝叶斯公式练习题.pdf

用于随机微分方程模型中近似贝叶斯计算（ABC）的MATLAB工具箱。 它对具有由随机微分方程（SDE）定义且不限于“状态空间”建模框架的潜在动力学的随机模型执行近似贝叶斯计算。 一维和多维SDE系统均受支持，部分观察的系统易于容纳。 可以估计影响数据/观测值的“测量误差”的方差分量。 一本50页的参考手册提供了两个案例研究，这些案例研究已经实施和讨论。 该方法基于http://arxiv.org/abs/1204.5459上的研究文章。作者的研究页面为http://www.maths.lth.se/matstat/staff/umberto/