贝叶斯估计，也是卡尔曼滤波算法的基础 是一篇很好的文章

吉布斯采样matlab代码贝叶斯近似估计 该项目采用三种方法来计算MAP推断和后验推断 吉布斯抽样 用均值场法计算推论和推论。 此外，通过Jupyter Notebook的变量消除方法可以计算出准确的结果。 ================================================== ============================ [[Bayesian_roximate_Inference]的代码和报告 先决条件 所提出的方法是通过Jupyter Notebook实现的。 所需的软件包包括： Matlab的 的Python 3 Jupyter笔记本 入门 通过对“数据集”文件夹中文件的分类来修改路径； 运行matlab代码的'Gibbs_sampling''mean_field'功能； “消除变量”方法位于“ Proj1”的Jupyter文件中 贝叶斯网络 吉布斯算法 平均场算法 表现

保证 R 包 这个 R 包库根据一些初始试验的数据简化了临床试验成功的一些计算。 贯穿始终的方法是生成效应大小的先验，使用初始试验数据生成效应大小的后验分布，然后使用该后验模拟稍后的试验。 这是一种本质上的贝叶斯方法。 安装 # install.packages('devtools') devtools :: install_github( " scientific-computing-solutions/assurance " , build_vignettes = TRUE ) 联系或了解更多详情。

人工智人-家居设计-基于Bayesian理论的电机滚动轴承故障的智能诊断研究.pdf

用于mnist数据集识别，将minst数据集和算坏mnist数据集的结果进行对比。

贝叶斯反演 在本文中，我们将讨论针对线性问题的全局和空间（连续，离散）参数的联合贝叶斯方法。

这项工作是通过制定非负稀疏信号恢复 (SSR) 问题和开发非负稀疏贝叶斯学习 (NNSBL) 算法来解决稀疏数组的源定位问题。 1.在'NNSBL.m'中给出了所提出的算法，在'Conven_SBL.m'中给出了传统的SBL算法以进行比较。 2. 'MRA_output.m' 用于生成阵列输出数据，'Peaksearch.m' 和'peak_find.m' 用于查找空间谱中的峰值位置。 3. 'Main_Simulation.m' 用于显示空间谱。 4. 'rmse_snr.m' 用于显示 DOA 估计与 SNR 的 RMSE。 5. 'rmse_snapshot.m' 用于显示 DOA 估计的 RMSE 与快照数量的关系。

学习贝叶斯统计的入门。公式不复杂，适合刚入门。

贝叶斯分析食谱 介绍 我最近受到贝叶斯统计分析的灵活和强大的启发。 然而，与许多事情一样，灵活性通常意味着要对易用性进行权衡。 我认为拥有一本可用于多种设置的代码手册对于将贝叶斯方法引入更通用的设置非常有帮助！ 目标 我的目标是每个型号有一个笔记本。 在每个笔记本中，您最终应该会发现： 这里正在解决的问题。 数据结构的描述。 示例数据表。 它通常最终会成为数据。 模型的 PyMC3 代码； 在某些笔记本中，同一型号可能有两个版本。 有关如何报告 MCMC 采样后验结果的示例。 我希望这些食谱对你有用！ （假设 我的假设遵循帕累托原则：大部分现实世界的问题基本上可以归结为几类问题，这些问题具有贝叶斯解释。 特别是，我有这样的预感，像ANOVA常用的方法，可以通过概念比较简单和更可解释的贝叶斯替代品取代，像约翰Kruschke最好的（B ayesianéstimation小号up

我也是找了好久，英文“Probabilistic Programming and Bayesian Methods for Hackers”，2分分享给大家，http://www.cnblogs.com/hxsyl/