考生在填报高考志愿时, 针对复杂繁多的各类高校信息数据, 传统的搜索引擎无法根据考生需要的实际信息和搜索结果进行匹配, 考生还需要额外消耗一定精力去筛选数据, 这无疑增加了考生的时间成本. 为此本文提出了基于高考领域知识图谱, 使用中文分词模型和朴素贝叶斯分类算法, 设计并开发了针对高考学业规划的智能问答系统. 与传统的搜索引擎不同的是, 基于人工智能的问答系统能够对考生所关注的问题和搜索结果进行精确匹配, 减少考生重复搜索和筛选数据的次数. 测试结果表明, 本系统可以对高考学业规划中所涉及的大多数问题进行相对准确的针对性回答.

地震波阻抗反演可以直接提供地下介质的弹性信息，为后续的煤层识别，水通道预测以及陷落柱识别等提供可靠的资料。在面对复杂地质条件时，现有的波阻抗反演方法精度较低，不能满足实际勘探的需求。反射率法通过求解弹性波动方程获得弹性参数信息，能够模拟全波场响应以及地震波的各种传播效应，能更精确地考虑透射损失、多次波等引起的地震波振幅和相位变化，精度较高，同时计算效率高于其他波动方程求解方法。因此，基于贝叶斯框架，建立了反射率法的反演目标函数并通过引入柯西分布作为先验分布提高反演结果的分辨率，形成了一种基于贝叶斯的反射率法反演方法。将该方法应用于布尔台煤矿地震数据中，获得的波阻抗反演结果与测井资料匹配度较好，相比于常规方法分辨率更高，精度高，能够有效识别薄煤层和深部煤层分布，有效验证了新方法的可行性和有效性。该方法能为利用地震反演技术识别煤层及陷落柱等小构造，预测顶底板水分布提供有力的资料。

蕨菜2.6丰度估计 有关蕨菜的新闻，更新和说明，请访问： : Bracken的同行评审论文（2017年1月2日发布）： ： 安装 Bracken是Kraken 1或Kraken 2的配套程序，而Kraken在分类树中将读取分类为多个级别，而Bracken允许使用这些分类在单个级别上估计丰度（例如Bracken可以估计样本中物种的丰度）。 在安装Bracken之前，请先安装Kraken：可从此处下载Kraken： ： 轻松安装Bracken： bash install_bracken.sh 硬蕨安装： cd src/ && make Add bracken/bracken-build and scripts in src/ to your PATH 重要信息：蕨菜与MPA风格的报告不兼容。 Bracken需要kraken / kraken2中的默认报告格式。 蕨菜2.5.

最大权生成树MSWT的建立过程 1. 对于给定的分布P(x)，对于所有的i≠j，计算联合分布P(xi|xj)； 2.使用第1步得到的概率分布，计算任意两个结点的互信息I(Xi,Yj)，并把I(Xi,Yj)作为这两个结点连接边的权值； 3.计算最大权生成树(Maximum-weight spanning tree) a. 初始状态：n个变量(结点)，0条边 b. 插入最大权重的边 c. 找到下一个最大的边，并且加入到树中；要求加入后，没有环生成。否则，查找次大的边； d. 重复上述过程c过程直到插入了n-1条边（树建立完成） 4. 选择任意结点作为根，从根到叶子标识边的方向； 5. 可以保证，这课树的近似联合概率P'(x)和原贝叶斯网络的联合概率P(x)的相对熵最小。

朴素贝叶斯算法在 Kaggle 上可用的肥料数据的应用 数据集来源：https ://www.kaggle.com/gdabhishek/counter-prediction

基于贝叶斯BP 神经网络的区间需水预测方法.pdf

使用基于朴素贝叶斯的机器学习的 3 类问题的一维矩阵分类。 它还包含一个基于矩阵的示例，用于输入大小为 12 和 3 个特征的样本

这本书帮助那些希望用数学工具解决实际问题的人们，仅有的要求可能就是懂一点概率知识和程序设计。而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法，对于一个计算机专业的人士，应当熟悉其应用在诸如机器翻译，语音识别，垃圾邮件检测等常见的计算机问题领域。, 可是本书实际上会远远扩大你的视野，即使不是一个计算机专业的人士，你也可以看到在战争环境下（二战德军坦克问题），法律问题上（肾肿瘤的假设验证），体育博彩领域（棕熊队和加人队NFL比赛问题）贝叶斯方法的威力。怎么从有限的信息判断德军装甲部队的规模，你所支持的球队有多大可能赢得冠军，在《龙与地下城》勇士中，你应当对游戏角色属性的最大值有什么样的期望，甚至在普通的彩弹射击游戏中，拥有一些贝叶斯思维也能帮助到你提高游戏水平。, 除此以外，本书在共计15章的篇幅中讨论了怎样解决十几个现实生活中的实际问题。在这些问题的解决过程中，作者还潜移默化的帮助读者形成了建模决策的方法论，建模误差和数值误差怎么取舍，怎样为具体问题建立数学模型，如何抓住问题中的主要矛盾（模型中的关键参数），再一步一步的优化或者验证模型的有效性或者局限性。在这个意义上，这本书又是一本关于数学建模的成功样本。

使用深度学习进行生存分析 该存储库包含基于贝叶斯深度学习的文章，论文和用于生存分析的存储库。 文件 Rajesh Ranganath，Adler Perotte，David Blei等人进行的深度生存分析。 JMLR 2016 资料来源： : 生存筛选器：Rajesh Ranganath，Adler Perotte，David Blei等人的“潜在时间序列的联合生存分析”。 2015年，阿拉伯联合酋长国资料来源： : DeepSurv：使用Cox比例危害深层神经网络的个性化治疗推荐系统，作者：Jared Katzman，Uri Shaham，Jonathan Bates，Alexander Cloninger，Tingting Jiang，Yuval Kluger。 ACML 2016 资料来源： : 具有竞争风险的生存分析的深层多任务高斯过程，作者：Ahmed M. Alaa

一个综合的人工智能系统应该不止能“感知”环境，还要能“推断”关系及其不确定性。深度学习在各类感知的任务中表现很不错，如图像识别，语音识别。然而概率图模型更适用于inference的工作。