简单明了的贝叶斯网络介绍，如果你是想认真学习，有贝叶斯基础的，都可以阅读。书中从简单的概率论到各种实际应用，都是不错的讲解，有兴趣的可以下载阅读。

用于机器学习分类的数据集，食品安全新闻数据（.txt格式）

针对贝叶斯网络结构学习方法难以兼顾高准确率和高效率的问题，提出了一种基于Markov Chain Monte Carlo(MCMC)方法的贝叶斯网络结构学习方法的改进。改进包括：使用依赖关系分析，利用统计学的方法对采样空间进行大幅缩减，能够在精确控制准确度的情况下大幅提高时间效率；结合先验知识，从理论角度将先验知识融入评分中得到完全服从后验分布的结果；搜索最优子结构，对于特定的一些结构搜索最优子结构而不是采用贪心的方法，提高了贝叶斯网络结构学习的准确率。通过理论分析可以证明时间复杂度得到了大幅的降低。并且可以在牺牲可预知的准确率的情况下，将指数时间复杂度降为线性时间。大量的数据实验表明，经改进后的方法在时间和准确性上都具有良好的表现。

最小最大损失准则的基本思想： 实际中，类先验概率 P(i) 往往不能精确知道或在分析过程中是变动的，从而导致判决域不是最佳的。所以应考虑如何解决在 P(i) 不确知或变动的情况下使平均损失变大的问题。 应该立足最差的情况争取最好的结果。 * *

A history of Bayesian neural networks DEEP LEARNING LIMITATIONS OF DEEP LEARNING WHAT DO I MEAN BY BEING BAYESIAN ? BAYES RULE

该文档为朴素贝叶斯分类算法的实现步骤，包括源码注解和详细步骤

机器学习数学模型：贝叶斯信念网，贝叶斯朴素分类器 里面包含上课时的PPT，PDF文档

LSTM 作为预测模型，使用贝叶斯优化算法来实现股票预测的功能

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法[1]。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。

这是一个全面的、用户友好的工具箱，实现了贝叶斯线性回归、逻辑回归和计数回归的最新技术。 该工具箱提供了 ridge、lasso、horseshoe、horseshoe+、log-t 和 g-prior 回归的高效且数值稳定的实现。 对于预测变量数量大于样本大小的数据集，建议使用套索、马蹄形、马蹄形+ 和 log-t 先验，并且 log-t 先验提供对未知稀疏级别的适应。 该工具箱允许将预测变量分配到逻辑分组（可能重叠，以便预测变量可以成为多个组的一部分）。 这可用于利用关于预测因子的先验知识以及它们如何相互关联（例如，将遗传数据分组为基因和基因集合，例如通路）。 现在通过实施泊松和几何回归模型支持计数回归。 为了支持带有异常值的数据分析，我们在贝叶斯线性回归的实现中提供了两个重尾误差模型：拉普拉斯和学生 t 分布误差。 大多数功能都易于使用，工具箱可以直接处理 MATLAB 表（包括自