使用机器学习预测足球比赛结果：在Jupyter Notebook中使用机器学习算法进行足球比赛预测

matlab代码粒子群算法BayesOptMat：MATLAB的贝叶斯优化 这是使用修正的高斯过程优化。 使用不同的采集功能执行贝叶斯全局优化。 除其他功能外，还可以使用BayesOptMat优化物理实验并调整机器学习算法的参数。 该代码具有以下附加功能： 采集函数优化的优化方法的其他选项，包括粒子群优化（PSO），CMAES，DIRECT， 贝叶斯优化诊断和测井工具，以测试优化速度和效率； 可视化和动画实用程序，用于低维数据和测试目标函数，以及性能指标的图表。 设置 根文件夹包含文件start.m ，该文件将相关依赖项添加到当前路径。 执行任何操作之前，请确保运行此文件。 根文件夹还包含有关如何使用各种功能的演示文件，并且这些方法具有有关其输入和输出的注释。

来自东京RIKEN研究中心的Emtiyaz Khan给了关于以贝叶斯原理进行深度学习的教程《Deep Learning with Bayesian Principles》，共有86页ppt，以及撰写了最新的论文，讲述贝叶斯和深度学习如何结合到一起进行学习新算法，提出了一种基于贝叶斯原理的学习规则，它使我们能够连接各种各样的学习算法。利用这一规则，可以在概率图形模型、连续优化、深度学习、强化学习、在线学习和黑盒优化等领域得到广泛的学习算法。非常具有启发性，值得查看！

贝叶斯分类 二类协方差不相等 %%二类协方差不相等 %%二类协方差不相等

5.4主观Bayes方法 5.4.1 知识不确定性的表示 1. 知识表示方法 在主观Bayes方法中，知识是用产生式表示的，其形式为 IFETHEN(LS，LN) H 其中(LS，LN)用来表示该知识的知识强度，LS和LN的表示形式分别为 LS=P(E/H)/P(E/~H)  LN=P(~E/H) /P(~E/~H)=(1-P(E/H))/(1-P(E/~H)) LS和LN的取值范围均为［0，+∞］。 由Bayes公式可知 P(H/E)=P(E/H)×P(H)/P(E) P(~H/E)=P(E/~H)×P(~H)/P(E) 将两式相除，得 P(H/E)/P(~H/E)=P(E/H)/P(E/~H)×P(H)/P(~H) 

matlab 编写的bayes、fisher分类器，适合初学者，程序说明也比较清楚

基于网络的入侵检测系统：基于网络入侵检测系统的最后一年项目

介绍了极大似然、最大后验、贝叶斯估计以及贝叶斯线性回归方法。 介绍了极大似然、最大后验、贝叶斯估计以及贝叶斯线性回归方法。 介绍了极大似然、最大后验、贝叶斯估计以及贝叶斯线性回归方法。

针对数据库用户行为异常导致数据库泄露问题，提出了一种基于K-means和naive Bayes算法的数据库用户异常检测方法。首先，利用数据库历史审计日志中用户的查询语句与查询结果，采用K-means聚类方法得到用户的分组；然后，使用naive Bayes分类算法构造用户异常检测模型。与单独使用naive Bayes分类法构造的模型相比，在数据预处理时其精简了用户行为轮廓的表示方法，降低了计算冗余，减少了81%的训练时间；利用K-means聚类方法得到用户组别，使检测的精确率提高了7.06%，F1值提高了3.33%。实验证明，所提方法大幅降低了训练时间，取得了良好的检测效果。

关于统计推理的电子书，最新版本，经典著作，总页数为381页