定性预测、回归预测、时间序列平滑预测、趋势曲线模型预测、季节变动预测、马尔科夫预测、确定型决策、非确定型决策、风险型决策、贝叶斯决策、多目标决策等。通过学习，使学生掌握基本预测理论与方法，培养学生根据实际条件选择并建立模型进行预测与决策的能力

有60000个Email，标签分为spam（垃圾邮件），ham（正常邮件），可供贝叶斯分类学习使用

基于CNN和朴素贝叶斯方法的安卓恶意 应用检测算法 安全架构APT 安全运营 安全体系 安全对抗

朴素贝叶斯相关西瓜数据集，用于自然语言处理>01.朴素贝叶斯介绍 中的案例数据，该数据集仅作参考使用

贝叶斯统计学――原理、模型及应用

贝叶斯统计学——原理模型及应用 S.詹姆士.普雷斯著

贝叶斯压缩感知源代码（Matlab版）

Nathan P. Lemoine于2019年发表的，超越非信息先验：贝叶斯分析中选择弱信息性先验的原因和方法（Moving beyond noninformative priors: why and how to choose weakly informative priors in Bayesian analyses），论文，pdf，非扫描清晰版

事件树、故障树、决策树与贝叶斯网络，周建方，许智勇，事件树、故障树和决策树分析法是系统分析的重要方法，能够对系统风险、系统薄弱环节等进行有效的分析，但存在表示结构复杂、不能

贝叶斯线性回归 通过（正常）线性回归和贝叶斯线性回归对数据建模的示例程序。 并显示图表以比较这两者。 环境 Python 2.7.6 麻木 Matplotlib 跑步 $ python bayesian_lr.py 图形 绿色：正态线性回归 蓝色：贝叶斯线性回归 逻辑 功能大致如下： 使用“高斯分布”作为基函数。 假设 s = 0.1，c_i = [0.0, 0.1, ..., 1.0]。 (1) 正态线性回归 这些“欧米茄”可以通过这个方程求解。 (2)贝叶斯线性回归 后验分布表示如下。 后验分布是高斯分布，所以最可能的值是： 因此，可以通过计算 Mu_N 来找出函数。 这一次，我假设 alpha = 0.1，beta = 9.0。 Phi 是如下矩阵。 麻木 numpy.linalg.solve ：求解线性矩阵方程。 参考 numpy.dot ：标量积，内