参考文献：Bayesian Modeling of Dynamic Scenes for Object Detection

吉布斯采样matlab代码Latent-Dirichlet-Allocation-LDA-（MATLAB中的代码） 自然语言处理算法 概率生成模型 Latent Dirichlet Allocation根据主题比例和单词比例对文档进行分类的方法 贝叶斯推断使用折叠的吉布斯采样 与传统的吉布斯采样器相比，收敛速度更快，错误率低 参考文献：托马斯·格里菲斯（Thomas L. Griffiths）和马克·史蒂佛斯（Mark Steyvers）发现科学课题（2004） 这里考虑的词汇大小为16，并使用4x4图像表示。 图像中的每个像素代表词汇表中的一个单词。 像素越亮，在文档/主题中的频率越高。 下图显示了8个主题作为单词分布的基本事实。 现在，使用这些主题生成了500个长度为100的文档。 图像下方显示了生成的文档示例。 现在，在这些生成的文档上运行了LDA（超过500次迭代），并发现了主题。 下面的屏幕快照显示了在初始迭代和最终迭代中发现的主题。 Theta地面真相值 范例文件 初始Phi迭代 最终Phi迭代 经过最终的迭代，发现的主题为： 它包含以下功能： 1）代码LDA Matlab

人工智能实验三朴素贝叶斯C++.zip

在VC6.0编译环境下使用C++编写的朴素贝叶斯分类程序

vc++ 包含Ling-Spam 特征库和先验概率的计算 提取垃圾邮件的中的核心词汇 提取正常邮件的中的核心词汇 反馈机制

包含25封正常邮件、25封垃圾邮件以及分类器源代码，适合ML初学者使用

内容包括朴素贝叶斯算法python实现代码，实现对iris分类，包含iris的txt格式的数据集。

faceRecgSys：使用Matlab的人脸识别系统； 算法：LBP，PCA，KNN，SVM和朴素贝叶斯

Bayesian methods for machine learning have been widely investigated, yielding principled methods for incorporating prior information into inference algorithms. In this survey, we provide an in-depth review of the role of Bayesian methods for the reinforcement learning (RL) paradigm. The major incentives for incorporating Bayesian reasoning in RL are: 1) it provides an elegant approach to action-selection (exploration/ exploitation) as a function of the uncertainty in learning; and 2) it provides a machinery to incorporate prior knowledge into the algorithms. We first discuss models and methods for Bayesian inference in the simple single-step Bandit model. We then review the extensive recent literature on Bayesian methods for model-based RL, where prior information can be expressed on the parameters of the Markov model. We also present Bayesian methods for model-free RL, where priors are expressed over the value function or policy class. The objective of the paper is to provide a comprehensive survey on Bayesian RL algorithms and their theoretical and empirical properties.

线性高斯分布： P(c | h, subsidy) = N(ath + bt, t2)(c) = 1/ (t21/2) e –1/2{[c-(ath + bt)]/t]} P(c | h, ~subsidy) = N(afh + bf, f2)(c) = 1/ (f21/2) e –1/2{[c-(afh + bf)]/t]} S型函数(Sigmoid function) p(buys | Cost = c) = 1 / {1 + exp[-2(-u+)/ ]}