贝叶斯分类器应用-疾病分类 Inferring Pathway Activity toward Precise Disease Classification

贝叶斯泊松因子 贝叶斯泊松张量因子分解这是可扩展的贝叶斯张量因子分解模型的matlab实现，其中包含在线推理和在线与并行推理。 该代码与我们的以下两个出版物有关： （1）胡楚，赖佩瑞，陈晨，哈丁，卡林大规模计数数据的可伸缩贝叶斯非负张量分解，ECML-PKDD 2015，葡萄牙波尔图。 （2）C.胡，P。赖，L。卡林。 大规模二元张量的零截断泊松张量分解，UAI 2015，阿姆斯特丹，荷兰。 运行demo_parallel.m来运行代码，我们在这里使用的数据是GDELT政治科学数据。 您需要以两个变量的形式准备数据：id和xi; 并将其存储在xi_id.mat;中 id：应该是1X4像元，第k个像元是一个向量，在张量中存储非零的第k个模式索引xi：是一个向量，存储张量的所有非零 如果设置paralellFlag = 0，则可以运行在线推断。 如果速度太慢，则可以通过设置paralel

bayesian_dnns 具有的贝叶斯深层神经网络的实践与实验。 GMVAE 提出的高斯混合变分自动编码器的实现。 通过对生成模型使用高斯混合先验，其对不平衡数据的鲁棒性要比Kingma的m2模型高得多。 我还提到了 示例：MNIST不平衡 数据 标记的[标签：图片数量] [0：1000、1：10、2：10、3：10、4：10、5：100、6：70、7：40、8：50、9：30] 未贴标签总计50000张图像。 每个标签的采样率与标签数据相同（不平衡）。 验证总计10000张图片。 每个标签的采样率相等（平衡） 结果 金马的M2模型 潜在变量（维度0和1）和重建的图像。 GMVAE 潜在变量（维度0和1）和重建的图像。 您可以看到每个标签似乎都有自己的分布。

基于贝叶斯的最小误差决策的Matlab图像分割程序

经验贝叶斯估计的PPT学习文档，详细介绍了经验贝叶斯的统计学方法，以及几种改进的应用，适合初学者

人工智能上机实验报告，有A*算法重排九宫格以及主观贝叶斯的内容

pgmpy pgmpy是一个用于处理概率图形模型的python库。 支持的文档和算法列表在我们的官方网站使用pgmpy的示例： : 使用pgmpy的概率图形模型基础教程： : 我们的邮件列表位于 。 我们在社区聊天。 依存关系 pgmpy具有以下非可选依赖项： python 3.6或更高版本 网络X 科学的 麻木 火炬 一些功能还需要： tqdm 大熊猫 剖析 统计模型 作业库 安装 pgmpy在pypi和anaconda上都可用。 通过anaconda安装使用： $ conda install -c ankurankan pgmpy 通过pip安装： $ pip

是一个使用贝叶斯建立背景模型的算法 是matlab文件 对于学习目标检测的人来说非常有用

有关机器 学习的基本介绍，比如机器学习是分为监督学习和无监督学习的，以及监督学习中的一些算法，有分类算法和数值型预测算法，分类算法中几种比较经典的算法

基本ML算法 最近邻居 逻辑回归 线性回归 朴素贝叶斯 K均值聚类