这本书的目的是提供一个从零开始全面的贝叶斯优化介绍，并细致阐述所有关键的想法。目标受众是机器学习、统计和相关领域的研究生和研究人员。然而，我也希望来自其他领域的从业者和研究人员能在这里找到一些用处。

模式识别最小错误率贝叶斯决策分类和最小损失贝叶斯决策分类的实现

超参数优化 实现不同的超参数优化方法

SurrDAMH 贝叶斯反演的代理加速马尔可夫链蒙特卡罗方法的Python实现 从后验分布π提供样品（U | y）的α˚Fη（γ - G（U））π0（U），其中y是观测的给定矢量，G是一个观测算子中，fη是概率密度函数高斯噪声观测的（PDF），π0（u）为高斯先验的PDF。 要求 麻木 科学的 大熊猫 json mpi4py petsc4py（用于“达西”示例） MyFEM（针对“达西”示例） github的： : pcdeflation（在“达西”示例中使用自己的通缩基础） make -C examples/solvers/pcdeflation clean make -C examples/solvers/pcdeflation build cython（用于pcdeflation构建） 跑步 conf_name 准备的玩具示例：“简单”，“简单_MPI”，“达西”

2021春季李宏毅老师深度学习课程笔记（神经网络训练不起来处理方法+分类的数学原理）

自己按照西瓜书做的贝叶斯网络的ppt，用于机器学习上课汇报用的

贝叶斯优化方法和应用综述=

【《贝叶斯思维(第二版)》文本 & 代码】’ThinkBayes2 - Text and code for the forthcoming second edition of Think Bayes, by Allen Downey.'

BGGM：贝叶斯高斯图形模型 R包BGGM提供了用于在高斯图形模型（GGM）中进行贝叶斯推理的工具。 这些方法围绕用于贝叶斯推断的两种通用方法进行组织：（1）估计和（2）假设检验。 关键区别在于，前者着眼于后验或后验预测分布（Gelman，Meng和Stern，1996年；见Rubin 1984年的第5节），而后者着眼于与贝叶斯因子的模型比较（Jeffreys 1961年； Kass and Raftery（1995）。 什么是高斯图形模型？ 高斯图形模型捕获了一组变量之间的条件（非）依赖关系。 这些是成对关系（部分相关性），用于控制模型中所有其他变量的影响。 应用领域 高斯图形模型被用于各种科学领域，包括（但不限于）经济学（Millington和Niranjan 2020），气候科学（Zerenner等人，2014），遗传学（Chu等人，2009）和心理学（Rodriguez等人，