机器学习 深度学习 pytorch tensorflow 贝叶斯 神经网络 算法

概率流 ProbFlow是一个Python软件包，用于使用或构建概率贝叶斯模型，对这些模型执行随机变异推理，并评估模型的推理。 它提供了用于构建贝叶斯神经网络的高级模块，以及用于构建定制贝叶斯模型的低级参数和分布。 这项工作仍在进行中。 Git存储库： : 文档： : 错误报告： ： 入门 ProbFlow使您可以快速轻松地构建，拟合和评估在和或之上运行的自定义贝叶斯模型（或模型！）。 使用ProbFlow，贝叶斯模型的核心构建块是参数和概率分布（当然还有输入数据）。 参数定义自变量（特征）如何预测因变量（目标）的概率分布。 例如，简单的贝叶斯线性回归 可以通过创建ProbFlow模型来构建。 这只是一个继承pf.Model （或pf.ContinuousModel或pf.CategoricalModel取决于目标类型）的类。 __init__方法设置参数，而__call

针对朴素贝叶斯分类算法中缺失数据填补问题，提出一种基于改进EM（Expectation Maximization）算法的朴素贝叶斯分类算法。该算法首先根据灰色相关度对缺失数据一个估计，估计值作为执行EM算法的初始值，迭代执行E步M步后完成缺失数据的填补，然后用朴素贝叶斯分类算法对样本进行分类。实验结果表明，改进算法具有较高的分类准确度。并将改进的算法应用于高校教师岗位等级的评定。

利用稀疏求解后稀疏解的快内性质，借助贝叶斯网络，快速准确的分解信号 得到在过完备字典上的稀疏解

模式识别采用贝叶斯方法的实验，含matlab源码，数据，报告等，一条龙服务，呵呵，因为自己做实验的时候很痛苦，希望大家参考的时候有所帮助。

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。

bayesAB：:turtle:bayesAB：用于AB测试的快速贝叶斯方法

贝叶斯分类器思维导图

贝叶斯滤波和卡尔曼滤波的简要介绍，包括贝叶斯公式的推导，贝叶斯滤波的假设条件，卡尔曼滤波的五个方程。

nmf的matlab代码bnmf 贝叶斯NMF工具包（BNMF-Tool）为Matlab中的KL发散实现了贝叶斯NMF。 贝叶斯NMF工具箱（BNMF-Tool）实现了针对以下方面的KL散度的贝叶斯NMF： N. Mohammadiha，P。Smaragdis和A. Leijon，“使用非负矩阵分解的有监督和无监督语音增强方法”，IEEE Trans。 音频，语音和语言处理，第1卷。 21号10，第2140–2151页，2013年10月： 该实现基于包含所有相关功能的NMF类（@NMF）。 在demo.m中演示了该类的用法，其中BNMF用于建议的有监督和无监督降噪。在Matlab中运行演示时，请确保包含@NMF的目录在Matlab搜索路径中。 阅读用户指南文件以获取代码说明。