MatlabStan：Matlab与Stan的接口，Stan是用于贝叶斯推理的程序包

Bayesian Networks Variable Elimination Algorithm：贝叶斯网络变量消除算法.ppt

层次分析matlab代码贝叶斯流行 贝叶斯推断人口患病率。 该软件包包括用于实现贝叶斯流行度推断的Matlab，Python和R的代码，如下所述： 人口患病率的贝叶斯推断RAA Ince，JW Kay和PG Schyns biorxiv： 考虑在心理学或神经影像学实验中的每个参与者，或在电生理学实验中记录的每个单个单元上执行统计测试（具有常见的假阳性率α）。 经过此第一级分析，我们可以仅使用三个数字来计算总体中此类测试的阳性结果阳性率的贝叶斯估计：测试总数n ，其中k为阳性，假阳性率（alpha） a 。 这些数字可以直接在函数调用中指定，也可以从表示在第一级应用各个测试的结果的变量中获取。 example_csv脚本提供了一个示例，该示例加载此第一级参与者内部有效数据并应用第二级患病率函数。 bayesprev_example.{m,R,py}在分层正态模型下模拟数据，在第一级上对每个参与者内的零进行t检验，在第二级上应用贝叶斯流行率推断。 用户可以调整此示例以加载自己的原始数据，将t检验替换为任何其他参与参与者的统计检验，或者直接加载指标变量的重要性并应用第二级检验（另请参见exa

压缩感知或稀疏编码是学习数据的稀疏表示。 最简单的方法是使用带有 L1 正则化的线性回归。 虽然这个包为稀疏编码问题提供了贝叶斯处理。 它使用变分贝叶斯来训练模型。 稀疏编码问题被建模为具有稀疏先验（自动相关性确定，ARD）的线性回归，也称为相关向量机（RVM）。 优点是可以自动进行模型选择。 因此，无需手动指定正则化参数（从数据中学习），可以获得更好的稀疏恢复。 请运行包中的演示脚本试一试。

David Barber 的一本书，贝叶斯推理和机器学习

贝叶斯统计概念是很容易描述的。它把统计看成研究不确定性的一门学 问，并且坚持认为不确定性只能用概率语言来进行合理的解释。引进一个效 用函数 (utility function) 并选择使期望效用最大的最优决策把上述思想立即 扩展到在不确定时的决策问题。下面更加详尽地解释这些基本原理。 贝叶斯论断的根本就在于，无论是直接用千推断或是在决策中与概率为基础的效用相结合，概率目前是仅有的产生合理过程的方法。概率的三个基 本规则和由它们导出的理论一起提供了完全的说明，以适用于你的推断和行 动。

大数据-算法-非参数Bayesian中的右中立过程.pdf

纽约联储DSGE模型（版本1002） DSGE.jl包实现了纽约联储动态随机一般均衡（DSGE）模型，并提供了通用代码来估算许多用户指定的DSGE模型。 该软件包在Liberty Street Economics博客文章。 （我们之前将模型称为“ FRBNY DSGE模型”。） 此Julia语言实现反映了Liberty Street Economics博客文章包含的MATLAB代码。 单击上面的docs|dev按钮可以访问代码的docs|dev 。 有关最新型号版本的文档，请阅读此 。 纽约联储DSGE团队目前正在扩展代码，以解决和估计异构代理模型。 过滤和平滑算法可在已注册的软件包。 可以在注册软件包找到用于估计DSGE模型的顺序蒙特卡洛（SMC）采样的。 的基础AbstractModel类型，从该AbstractDSGEModel类型导出，在已注册的包被定义 。 纽约联储可酌

MATLAB血氧处理代码贝叶斯换粗体 本实验将重点开发功能性磁共振成像（fMRI）数据中与血氧水平相关（BOLD）信号的仿真，这些信号可作为计算参数映射（CPM）的基础，这是基于模型的fMRI实验的贝叶斯方法。 背景 功能性生物学过程是指尖上的刺激通过许多神经通路和血红蛋白React功能的激活而产生的，从而在大脑成像中表现为信号[1]。 对于功能性MRI，有两种实验设计，如下所示[2]。 积木式设计会在一段时间内持续刺激，随后一段时间内不会刺激。 相反，与事件相关的设计会应用点刺激，并且随着时间的推移，生成的BOLD信号将成为每个fMRI图像中的体素。 在倒数第二个步骤中，将生成BOLD函数。 它有一个初始的下降，之后是一个峰值，然后是刺激后的下冲[3]。 给定一条单一的BOLD信号曲线的形状，我们可以用反伽马分布对其进行近似。 贝叶斯框架有两个步骤：1.第一：选择先验条件。 在当前的模拟中，我们为反伽马分布2选择了一个共轭（平面/无信息）。 是史蒂文的幂定律中的幂。 我们想探索在设计实验时哪个alpha值能提供最佳的参数恢复。 这项研究是一个简化的案例，线性模型中只有一个beta。

作者写作很好，细节清晰，很容易理解，书很权威，很好的书！