这是信号检测与估计英文版的课件和课后的习题解答，内容详细，非常好，是Thomas Schonhoff写的。值得下载

该综述文章为贝叶斯因子分析模型的综述，较好的整理了因子分析模型的概念以及基本理论分析，是对因子分析方法入门学习的较好参看文章

贝叶斯方法 概率编程与贝叶斯推断 贝叶斯方法 概率编程与贝叶斯推断

这是本人业余的破解版本，我也不知道有没有完全破解成功，不过去除了一些功能限制（比如可以保存超过15个结点的图），如果遇到有破解未成功的地方请联系我，仅供学习与试用谢谢。附上我唯一找到的中文教程：http://blog.sciencenet.cn/blog-82650-255141.html

本文档由@Joe Chael提供。下面的例子分为3类: {Short，Tall，Medium}，Height为连续属性，假定该属性服从高斯分布 ，数据集如表4-5所示，请用贝叶斯分类方法对例子t=(Adam，M，1.95m)进行分类。详情请参见http://blog.csdn.net/qingdujun/article/details/46598187

pgmpy Python库是一个非常有用的概率图模型的研究库。可以创建贝叶斯网络、马尔可夫网络、动态贝叶斯网络等模型。此工具箱支持Python2.7和Python3.x，安装此工具箱需要按照解压后的REDME.txt文件执行。欢迎大家一起交流学习。

一个很有用的关于贝叶斯网络的工具包，希望对大家有用

程序实现： 利用多种回归模型对华北八省市的实验区TRMM影像数据进行矫正 回归模型包括：多元线性回归、贝叶斯岭回归、弹性网络回归、支持向量机回归、梯度增强回归 通过对比发现：梯度增强回归模型的拟合效果最好，精度最高 回归模型的自变量包括：TRMM影像数据、DEM数据、经度、纬度 因变量为：实验区的站点插值数据 模型建立之后，将其应用于测试集数据，实现降雨数据的矫正

rvm代码matlab 快速SBL 一种基于高斯尺度混合模型的回归问题快速稀疏贝叶斯学习算法 此代码用于题为“基于高斯尺度混合的高效稀疏贝叶斯学习算法”的论文。 数据集中的图像是从 和 获取的。 tools 中的函数 FastLaplace.m 对应于基于拉普拉斯先验的快速 SBL 算法，该算法是从原始作者处获得的。 这篇论文的标题是“使用拉普拉斯先验的贝叶斯压缩感知”。 GGAMP-SBL.m 对应于题为“基于 GAMP 的低复杂度稀疏贝叶斯学习算法”论文中的算法 1。 为了比较，需要 sparseLab 2.1 和 RVM V1.1 工具箱，可以分别从 和 获得。 此代码在 Matlab 2019b 中实现。 如有任何问题，请联系 如果您使用我们代码的任何部分，请引用我们的论文。 W. Zhou, H. -T. Zhang 和 J. Wang，“基于高斯尺度混合的高效稀疏贝叶斯学习算法”，IEEE 神经网络和学习系统汇刊，doi：10.1109/TNNLS.2020.3049056。 参考资料： @ARTICLE{zhou2021efficient, author={W. {Zho

一个实用的贝叶斯网络仿真软件。能够实现大部分贝叶斯分类及推理。图形化的界面，上手很快 一个实用的贝叶斯网络仿真软件。能够实现大部分贝叶斯分类及推理。图形化的界面，上手很快