brms 概述 brms程序包提供了一个接口，以使用Stan来拟合贝叶斯广义（非）线性多元多级模型，这是一个用于执行完整贝叶斯推理的C ++程序包（请参见 ）。 公式语法与软件包lme4的语法非常相似，以提供用于执行回归分析的熟悉且简单的界面。 支持广泛的响应分布，使用户可以在多级上下文中拟合线性，鲁棒线性，计数数据，生存时间，响应时间，序数，零膨胀甚至自定义混合模型等。 进一步的建模选项包括非线性和平滑项，自相关结构，检查数据，缺失值插补等。 另外，可以预测响应分布的所有参数，以执行分布回归。 多变量模型（即具有多个响应变量的模型）也可以拟合。 先前的规范是灵活的，并且明确鼓励用户使用实际上反映其信念的先前发行版。 可以轻松评估模型拟合度，并将其与后验预测检查，交叉验证和贝叶斯因素进行比较。 资源 （统计软件期刊） （R Journal） （具有文档和小插曲的brms网站） （有关

基于最小风险的贝叶斯分类器的设计程序代码

matlab实现贝叶斯（bayes）参数估计

《贝叶斯思维 统计建模的Python学习法》帮助那些希望用数学工具解决实际问题的人们，仅有的要求可能就是懂一点概率知识和程序设计。而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法，对于一个计算机专业的人士，应当熟悉其应用在诸如机器翻译，语音识别，垃圾邮件检测等常见的计算机问题领域。 可是《贝叶斯思维 统计建模的Python学习法》实际上会远远扩大你的视野，即使不是一个计算机专业的人士，你也可以看到在战争环境下（二战德军坦克问题），法律问题上（肾肿瘤的假设验证），体育博彩领域（棕熊队和加人队NFL比赛问题）贝叶斯方法的威力。怎么从有限的信息判断德军装甲部队的规模，你所支持的球队有多大可能赢得冠军，在《龙与地下城》勇士中，你应当对游戏角色属性的很大值有什么样的期望，甚至在普通的彩弹射击游戏中，拥有一些贝叶斯思维也能帮助到你提高游戏水平。 除此以外，《贝叶斯思维 统计建模的Python学习法》在共计15章的篇幅中讨论了怎样解决十几个现实生活中的实际问题。在这些问题的解决过程中，作者还潜移默化的帮助读者形成了建模决策的方法论，建模误差和数值误差怎么取舍，怎样为具体问题建立数学模型，如何抓住问题中的主要矛盾（模型中的关键参数），再一步一步的优化或者验证模型的有效性或者局限性。在这个意义上，这本书又是一本关于数学建模的成功样本。

通过贝叶斯网络对500组位置信息进行分类，位置信息一共分为4类，每类分类的正确率都达到90%以上

prml的课件整合版，不是出自同一学校。 大部分章节的PPT是英文版，但由于英文版不全，所以有几个章节挑选了其他学校的中文版作为补充。 基本上能够跟prml的内容能够对应。

最大似然估计、最大后验概率估计、贝叶斯估计、朴素贝叶斯方法的区别

基于块稀疏贝叶斯学习的多任务压缩感知重构算法

BayVAR 是一个 MATLAB 库，旨在从贝叶斯角度估计和分析向量自回归 (VAR) 模型。 BayVAR使用几种先验类型（明尼苏达州/利特曼，Canova，Raynauld-Simonato等）执行不受限制的贝叶斯估计。 还包括通过轴向搜索校准超参数以及预测和规范 (Box-Tiao) 分析。

YCbCr空间中一种基于贝叶斯判决的肤色检测方法