基于贝叶斯最大熵与历史数据的土壤属性空间预测，杨勇，李卫东，高精度的土壤属性图件是精准农业实施和土壤质量评价的基础，而搜集和合理利用尽可能多的信息/数据是提高土壤属性空间预测精度的�

员工减员数据分析：对公司进行减员数据集的多个分类（KNN，朴素贝叶斯，随机森林，决策树，ANN，SVM），以预测公司对减员的主要贡献从而提高生产率

山东大学计算机科学与技术学院机器学习课程的实验报告

介绍了极大似然、最大后验、贝叶斯估计以及贝叶斯线性回归方法。 介绍了极大似然、最大后验、贝叶斯估计以及贝叶斯线性回归方法。 介绍了极大似然、最大后验、贝叶斯估计以及贝叶斯线性回归方法。

卡尔曼和贝叶斯过滤器的介绍性文字。 所有代码都是用Python编写的，而本书本身是使用Juptyer Notebook编写的，因此您可以在浏览器中运行和修改代码。 有什么更好的学习方法？ “ Python中的卡尔曼和贝叶斯过滤器”看起来很棒！ ...您的书正是我所需要的-艾伦·唐尼（Allen Downey），教授和O'Reilly作家。 感谢您为发布有关Kalman过滤以及Python Kalman过滤库的介绍性文字所做的所有工作。 我们一直在内部使用它来向人们传授一些关键的状态估计概念，这对我们有很大的帮助。 -SpaceX的Sam Rodkey 现在，单击下面的活页夹或Azure徽章开始在线阅读： 什么是卡尔曼和贝叶斯滤波器？ 传感器很吵。 世界上充满了我们想要测量和跟踪的数据和事件，但是我们不能依靠传感器来提供完美的信息。 我车上的GPS报告高度。 每当我经过道路上的同一点

Matlab代码讲解辅导可从MTfit / docs /中的源代码使用sphinx或使用build_docs.py构建该文档，网址为： 该文档包括MTfit及其使用方法的教程和说明。 请注意，此代码按原样提供，并且不能保证该代码将以所需的方式执行。 在开发人员的空闲时间进行其他开发和支持。 限制：仅用于非商业用途此代码受知识产权保护，仅可用于教学和非商业资助的学术研究目的。 商业用途的应用程序应向斯伦贝谢或剑桥大学提出。 安装MTfit MTfit在PyPI上可用，可以使用以下方法安装： >>点安装MTfit 或者，可以克隆此存储库，然后只需调用以下命令即可安装软件包： >>python setup.py install MTfit依赖于numpy和scipy，对于MATLAB -v7.3支持也需要h5py。 集群支持将通过github上的pyqsub自动安装。MPI支持需要根据有效的MPI发行版构建的mpi4py。 要从源代码编译时构建C扩展，您将需要cython和相关的C编译器 ！ 已知错误-使用MPI和非常大的非零MT结果运行会导致错误：mpi4py SystemError：负大

结合稀疏贝叶斯学习和压缩感知CS理论, 提出了一种基于贝叶斯匹配追踪的SAR图像重构的新方法。该方法将SAR图像的重构过程看做是一个线性回归问题, 而待重建的图像是该回归模型中的未知权值参数。利用高斯混合参数对未知权值参数赋予确定的先验条件概率分布, 用于限制权值参数的稀疏性。该方法能够得到重建图像所需要的一组具有较高后验概率密度的模型, 从而实现图像在最小均方误差MMSE意义下的重构; 对于高斯混合模型中参数未知的情况, 可以采用基于EM的最大似然估计方法估计。实验结果表明, 基于贝叶斯匹配追踪的SAR图像重构方法能够获得精确的重建图像, 并且能够有效地保持图像的细节特征。

实现最小损失函数或最小错误率的贝叶斯决策

文本情感分析之朴素贝叶斯-附件资源

基于非参数贝叶斯模型的列车卫星定位方法