说明：基于贝叶斯的图像分割，使用贝叶斯决策对图像进行分割

说明：使用贝叶斯网络进行预测。贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。

说明：基于贝叶斯网络的文本分类，数据为爬取的新闻数据，可靠，模拟实战。可运行

说明：关于采用贝叶斯方法对阙值进行程序编写，可跟着程序进行学习

说明：AlexNet是2012年ImageNet大赛的冠军。它一共有8层，其中了5个卷积层，2层全连接和一层分类，如果使用其对一张图片进行前向传播，那么最后输出的这张图片属于1000种物体中哪一个的概率

说明：贝叶斯方法将所有参数看作随机变量，将未知参数的先验信息与观测数据综合，再由贝叶斯定理求算出后验概率分布，进而根据后验分布去推断未知参数。

说明：非参数贝叶斯工具箱，用于matlab，附带HMM学习过程

说明：本文描述了一种基于霍尔特-温特斯模型的贝叶斯预测方法，可以获得准确的预测间隔。我们如何利用这些不确定性来建立平滑线性异方差模型。线性公式简化了后验分布的计算未知数；从这类样本中随机抽取的样本，不是分析性的，是通过验收提供的 抽样过程和蒙特卡罗方法给出了预测分布。在此基础上，得到了逐点预报和预报区间。利用M3竞赛的3003个时间序列，对所提出的贝叶斯预测方法建立预测区间的准确性进行了检验。

说明：半监督学习matlab代码程序，训练集 测试集代码，优化半监督svm 朴素贝叶斯 等等

说明：LM-贝叶斯 采用贝叶斯正则化算法提高 BP 网络的推广能力。在本例中，我们采用两种训练方法

说明：这本书的主题，贝叶斯统计，帮助我们更好地推理关于不确定性，就像在学校学习逻辑帮助我们看到 日常逻辑思维中的错误。因为几乎每个人都要处理他们日常生活中的不确定性，正如我们刚才讨论的，这让观众因为这本书很广。数据科学家和研究人员已经在使用统计学将受益于更深入的理解和直觉工具起作用。工程师和程序员将学到很多关于他们可以更好地量化他们必须做出的决定

说明：基于python的贝叶斯乒协纠错实例编程，简单易学，好上手

说明：对SVM，决策树和朴素贝叶斯分类器的应用

说明：块稀疏贝叶斯方法，使用块稀疏贝叶斯求解稀疏信号

说明：R语言构建贝叶斯网络，很实用的讲解和案例

说明：最小风险贝叶斯决策，MATLAB代码，有多个举例代码

说明：模式识别，贝叶斯实例，语言MATLAB，代码实例

说明：利用贝叶斯分类算法进行人脸分类，包括pca降维源码

说明：贝叶斯工具箱,本人亲测好用，用于复杂贝叶斯网求解。

说明：Netica（贝叶斯）操作步骤图，介绍Netica软件，详细介绍贝叶斯网络的的操作步骤，具体每一步均有截图，可以解决风险分析等多种问题。

说明：使用贝叶斯分类器实现的智能拦截垃圾邮件软件。黑白名单，特别关心，功能齐全，含精美UI界面，可换肤。

说明：函数和参数的先验分布,然后就可通过Gibbs抽样得到参数的后验样本,这对没有显性表达式的贝叶斯后验分布尤其重要。Win-BUGS软件中提供了23种常见的分布用

说明：贝叶斯统计，尤其是贝叶斯逆问题中使用的算法的集合。

说明：python实战，数据分析，基于贝叶斯的新闻分类实战

说明：一个matlab静态贝叶斯实例，供初学者使用

说明：实现贝叶斯推理网络训练与测试工具箱，非常好用的

说明：基于贝叶斯网络的可靠性评估，输入个元件的故障率数据，计算各元件的条件概率，建立贝叶斯网络，贝叶斯推理，得到系统可靠工作情况下各元件的工作概率。

说明：叶贝斯抠图算法抠图的完整程序，一个完全独立可运行的全部代码

说明：模式分类 贝叶斯决策论 最大似然估计 贝叶斯参数估计

说明：通过阅读网上的资料代码，进行自我加工，努力实现常用的机器学习算法。感知机的基本形式和对偶形式的实现 Kmeans和Kmeans++的实现 EM GMM高斯混合和GMM+LASSO的实现 实现朴素贝叶斯的基本算法和高斯混合朴素贝叶斯算法 实现决策树的基本算法 实现adaboost基本算法 实现svm基本算法 实现逻辑回归基本算法