针对朴素贝叶斯分类算法中缺失数据填补问题，提出一种基于改进EM（Expectation Maximization）算法的朴素贝叶斯分 类算法。实验结果表明，改进算法具有较高的分类准确度。并将改进的算法应 用于高校教师岗位等级的评定

SVMImageClassification:基于SVM的简单机器学习分类，可以使用svm, knn, 朴素贝叶斯，决策树四种机器学习方法进行分类

1、贝叶斯分类器 2、正态分布决策理论 3、关于分类的错误率分析 4、最小风险Bayes分类器 5、Bayes分类器算法和例题 6、聂曼－皮尔逊判别准则 8、7、最大最小判别准则 9、决策树 10、序贯分类

比特币价格预测 预测价格变化的“潜在源模型的贝叶斯回归”方法的实现。 您可以在了解有关该方法的更多信息。 要求 3.5 3.2 安装 确保已安装所有要求并为此项目（可选）。 然后按照安装说明进行操作： $ git clone https://github.com/stavros0/bitcoin-price-prediction.git $ cd bitcoin-price-prediction $ pip install -e . 用法 使用okcoin.py脚本每隔十秒钟从收集市场数据。 请记住，您至少需要721个数据点，以便 。 $ python okcoin.py 有关如何使用模块的信息，请参见 。 仅用于修补和实验，因此不会在屏幕上显示任何内容。 也就是说，您应该修改我的脚本或改为编写自己的脚本。 无论如何，您都必须使用Python。 执照 该项目根据MIT许可条款获得许可。 有关更多信息，请参见。

常见机器学习任务的演练-通过使用python和scikit-learn构建Naive Bayes垃圾邮件分类器

属性是实体的重要组成部分，因此实体属性的获取是知识图谱构建 的关键步骤。由哈尔滨工业大学社会计算与信息检索研究中心推出的开放 域中文知识图谱《大词林》是通过从文本中自动挖掘实体及实体间的关系 而构建而成，因此为《大词林》中缺少属性的实体添加属性也成为必须研 究的问题之一。本文提出了一种解决方案：基于贝叶斯网络的概率统计模 型，通过上位词概念与属性之间的依赖关系和实体与上位词概念的依赖关 系来自动的为《大词林》中没有属性的实体添加属性，并与相似度计算方 法对比证明了其有效性，可大规模提高《大词林》的属性覆盖率。

本书基于PyMC语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过概率编程的方式，讲解了贝叶斯推断的原理和实现方法。该方法常常可以在避免引入大量数学分析的前提下，有效地解决问题。书中使用的案例往往是工作中遇到的实际问题，有趣并且实用。作者的阐述也尽量避免冗长的数学分析，而让读者可以动手解决一个个的具体问题。通过对本书的学习，读者可以对贝叶斯思维、概率编程有较为深入的了解，为将来从事机器学习、数据分析相关的工作打下基础。本书适用于机器学习、贝叶斯推断、概率编程等相关领域的从业者和爱好者，也适合普通开发人员了解贝叶斯统计而使用。

计算置信区间的matlab代码数据库管理系统 动态贝叶斯多锥估计MATLAB代码 说明：该存储库包含在动态贝叶斯多锥度估计范例中开发的算法的实现。 版权所有（c）2017 Proloy Das保留所有权利 接触： 引用：如果您发现这些代码对您的研究有帮助，请引用以下任何/两篇文章： （1） Das和B. Babadi，动态贝叶斯多锥光谱分析； IEEE Trans。 关于信号处理，第一卷。 66号2018年3月15日，第6页，第1394-1409页。（链接:) （2）页Das，B. Babadi，一种用于非平稳数据的贝叶斯多锥方法及其在EEG分析中的应用； 2017年12月2日，宾夕法尼亚州费城，IEEE医学和生物学信号处理研讨会（SPMB17）。 （关联： ） 日期：2017年6月5日 要求：在Matlab R2016b版本中实现，但应在大多数版本上运行。 内容： 1. main.m: Master script. 2. TSpectrogram.m: genrates single taper sSpectrogram estimates. 2. MTSpectrogram.m:

贝叶斯正规化 BP 神经网络有效的避免了神经网络学习过程中的过拟合问题，且当实际资料中样本量有限或无法保证代表性时，使用贝叶斯正规化方法建立神经 网络可以提高其泛化能力

针对垃圾邮件泛滥的问题，本文基于朴素贝叶斯算法构建了邮件过滤系统，并采取平滑、归一化等方法进行数据预处理，提取结构与统计特征，通过邮件地址、邮件内容等多个方式进行过滤。计算机测试后表明本算法提高了垃圾邮件识别精度与准确率。