高斯过程模型的自动变分推断。 论文“高斯过程模型的自动变分推论”的代码。 如果您使用任何代码，请引用： Nguyen，电视和Bonilla，EV，高斯过程模型的自动变分推理，在NIPS 2014中。 请参见src / demoFull.m和src / demoMixture.m ，以获取有关如何使用代码分别对具有完整高斯分布和高斯分布混合的回归模型进行推理的示例。 该代码还包括其他模型的实现：二进制分类，多分类，扭曲的高斯过程和对数高斯考克斯过程。 有关详细信息，请参见src / likelihood目录。 这些模型的预测也可以在src / prediction中实现。 要尝试新模型，只需在签名后实现一个新的似然函数： logllh = newFunction(y,f,hyp) 在哪里 y : N x P vector of observations (each colu

变分贝叶斯推断matlab代码稳健流张量因式分解 此存储库包含与将出现在 IEEE ICDM 2018 上的论文“Variational Bayesian Inference for Robust Streaming Tensor Factorization and Completion”相关的代码。论文作者是 和 。 有关此代码的问题，请联系 Cole Hawkins。 我们的贡献包含在文件“streaming_bayesian_completion.m”中。 我们的代码需要 Matlab Tensor Toolbox： 要运行 OLSTEC 文件夹中的所有文件，您将需要 Poblano 工具箱：

霍克斯 一个用于Hawkes流程的仿真和推断（最大似然估计）的python程序包。 安装 pip install hawkes 教程 特征 该软件包提供以下内核功能： 指数函数 多个指数函数的总和 幂律函数 非参数函数 该软件包提供以下类别的基线强度： 恒定基线 分段恒定基线模型 分段线性基线模型 对数线性基线模型 自定义基线功能 接触 近江孝宏 takahiro.omi.em [at] gmail.com

层次分析matlab代码路径 scEpath软件包（用于分析单细胞RNA-seq数据的新型工具） 概述 这是scEpath（“单细胞能量路径”）的MATLAB软件包。 scEpath是一种新颖的计算方法，用于定量测量单细胞的发育能力和可塑性以及细胞状态之间的转移概率，并从单细胞基因表达数据推断谱系关系和伪时间顺序。 此外，scEpath还可以进行许多下游分析，包括针对给定的细胞簇或伪时间识别最重要的标记基因或转录因子。 scEpath推断细胞轨迹的合理性是基于著名的Waddington的景观隐喻来描述发育过程中的细胞动力学。 下面是一篇论文的概念图（Takahashi等人，开发，2015年） 查看详细的方法和应用程序。 以下是scEpath的概述。 系统要求 scEpath独立于操作系统，因为它是用Matlab编写的。 运行scEpath的基本要求包括MATLAB和统计工具箱。 伪时间估计步骤需要使用R包“ princurve”进行主曲线分析。 在这种情况下，运行scEpath时需要R和Matlab。 该软件包已在Mac OS / 64位Windows上使用MATLAB 2016a /

Efron 教授 2010 年的一本新书Large-Scale Inference 通过此书可以感受到古典几何学与现代统计学的结合之美 获取此书不易 希望大家抓紧时间下载！

cart算法代码matlab PILCO-学习控制的概率推断 这是使用Tensorflow和GPflow在Python中（最初用MATLAB编写）的重新实现。 这项工作主要是为了个人发展而进行的，部分实施是基于此。 该存储库将主要作为我未来研究的基准。 我使用和实现了购物车杆基准测试。 我之所以这样做，是因为OpenAI的CartPole环境没有连续的动作空间，并且因为它使用了“倒置”的推车杆。 新环境代表了具有连续动作空间的传统手推车基准测试。 该文件包含基于的新的CartPole类。 我还创建了定义传统手推车杆的MuJoCo环境的文件。 先决条件 该示例需要（具有接触的多关节动力学）物理引擎，才能使用倒立摆。 我相信有免费的学生许可证。 正在安装 使用pip install -r requirements 。 确保使用Python 3。 您可能要为此使用虚拟环境。 例子 给出了在购物车杆环境中实现该代码的示例，该示例可在中找到。 建于 作者 艾丹·斯堪内尔 执照 此项目已获得MIT许可证的许可-有关详细信息，请参见文件。 致谢 原始执行： MP Deisenroth，D.Fox和C

SMC ++是一个用于从整个基因组序列数据估算种群大小历史的程序。 内容 遇到麻烦该怎么办 档案格式 输入数据格式 输出数据格式 快速入门指南 请遵循安装说明。 使用vcf2smc将您的VCF转换为SMC ++输入格式： $ smc++ vcf2smc my.data.vcf.gz out/chr1.smc.gz chr1 Pop1:S1,S2 此命令将解析样本S1和S2的重叠群chr1数据，样本S1和S2是总体Pop1成员。 您应该为数据集中的每个独立重叠群运行一次，从而为每个重叠群生成一个SMC ++输出文件。 使用估计值拟合模型： $ smc++ estimate -o analysis/ 1.25e-8 out/example.chr*.smc.gz 第一个强制性参数1.25e-8是每代的突变率。 其余参数是在上一步中生成的数据文件。 根据样本量和您的机器，安装过程应在

摘要：现有的传播网络结构假定方法大都针对信息传播过程，所能处理的数据与获取的流行病监控数据形式和特性均不相同，不适合处理具有粗粒度，时空多尺度和数据缺失等特性的流行病监控数据。针对该问题，提出了基于自治计算的流行病传播网络建模方法和网络结构示意图方法。该方法采用多自治体建模传播网络结构和流行病传播过程，采用蒙特卡罗模拟结合群智能优化的反馈过程调节系统参数，以缩小模拟系统涌入为与真实监控数据间差异为目标，改变自治体的行为，转化模拟系统向真实系统逐步演进，由此方式替代出传播网络结构及与流行病相关的主要生物学参数。采用2009年H1N1猪流感在香港爆发的真实监控数据分析验证了所提出的模型与方法的有效和适用情况，并以香港地区流行病风险评估为例介绍了流行病传播网络初步的一种应用模式。

简介项目 针对机器学习模型的成员资格推理攻击试图重现和研究以下论文中发布的结果，这是机器学习入门课程的一个班级项目的一部分： : CIFAR10_all_stages.ipynb包含在CIFAR 10数据集上作为该项目一部分进行的实验的A到Z代码。 - - - - - - - - - - - - - - - - - - - 阶段I - - - - - ------------------------------- 主要目标：这部分代码基本上为我们的攻击模型生成训练和测试数据 细节：对于[2500，5000，10000，15000]中的每个data_size，我们生成一个目标模型，并相应地生成10个阴影模型。 目标模型提供攻击模型的测试数据，影子模型提供攻击模型的训练数据。 目标模型中使用的数据与阴影模型中使用的数据完全脱节。 存储来自这

如何推断作者意图做英语阅读题.doc