与[James V Stone] Bayes' Rule A Tutorial Introduction to Bayesian Analysis配套的书籍，但只有第一章

代码运行效果图见压缩包

TyXe：面向Pytorch用户的基于Pyro的BNN TyXe旨在通过利用的模型定义和推理功能来简化将神经网络转变为贝叶斯神经网络的过程。 我们的核心设计原则是将神经体系结构的构造，先验，推理分布和可能性完全分开，从而实现灵活的工作流，其中每个组件都可以独立交换。 在TyXe中定义BNN只需5行代码： net = nn.Sequential(nn.Linear(1, 50), nn.Tanh(), nn.Linear(50, 1)) prior = tyxe.priors.IIDPrior(dist.Normal(0, 1)) likelihood = tyxe.observation_models.HomoskedasticGaussian(scale=0.1) inference = pyro.infer.autoguides.AutoDiagonalNormal bnn = t

每个毫升医生的第一个入门项目 此示例是一个基本的朴素贝叶斯应用程序，twitter的数据示例被标记为负数和正数

GRANGER_CAUSE 是格兰杰因果检验。 原假设是 y 不是格兰杰原因 x。 用户指定两个系列 x 和 y，以及要考虑的显着性水平和最大滞后数。 该函数根据贝叶斯信息准则为 x 和 y 选择最佳滞后长度。 该函数生成格兰杰因果检验的 F 统计量以及相应的临界值。 如果 F 统计量大于临界值，我们拒绝 y 不是格兰杰原因 x 的原假设。 输入 help granger_cause 以了解更多信息。

基于经典贝叶斯理论的图像分割，含有MATLAB代码，有训练数据和实验数据，还有相应的PPT详解。 基于经典贝叶斯理论的图像分割，含有MATLAB代码，有训练数据和实验数据，还有相应的PPT详解。

WinBUGS(Bayesian Inference Using Gibbs Sampling)是英国剑桥公共卫生研究所的MRC Bostatistics Unit推出的用马尔可夫链一蒙特卡罗(Markovchain MonteCarlo，MCMC)方法进行贝叶斯推断的专用软件包。

HyperPower（Keras / TensorFlow +薄荷） 通过贝叶斯优化对硬件进行感知的超参数搜索 + 神经网络。 描述 神经网络（NN）的超参数优化已成为一个具有挑战性的过程。 如果我们发现最佳的（根据分类错误）NN配置也满足硬件约束，例如最大推理运行时间，最大GPU能耗或功耗，则此设计问题将变得更加艰巨。 HyperPower利用贝叶斯优化的有效性来采用受硬件限制的超参数优化。 该代码库是基础： HyperPower: Power- and Memory-Constrained Hyper-Parameter Optimization for Neural Networks Dimitrios Stamoulis, Ermao Cai, Da-Cheng Juan, Diana Marculescu Design, Automation and Test in Eu

C++实现的贝叶斯分类器，及相关数据，与操作步骤。

《贝叶斯统计》第七章：MCMC介绍、贝叶斯分析中的直接抽样方法、Dibbs抽样、M-H算法《贝叶斯统计》第七章：MCMC介绍、贝叶斯分析中的直接抽样方法、Dibbs抽样、M-H算法