说明：LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构

说明：贝叶斯统计，神经分析算法资料，适用于人工智能的基础课程

说明：利用K2算法构建贝叶斯网络，可用于分类、预测等

说明：动态贝叶斯网络程序包，最新版，包含所有子函数和应用

说明：实现朴素贝叶斯分类器，并在真实的数据集上进行测试。要求在实际数据集上现和应用算法，评价算法的实现，并分析实验的结果。

说明：基于数据挖掘的决策树改进算法和贝叶斯改进算法,很有用的

说明：中文的贝叶斯文本分类，包含训练数据代码和代码以及使用说明。可将篇章级文本分类为教育、IT等领域。-

说明：本人课设实现的基于决策树和朴素贝叶斯对Adult数据集进行分类！

说明：朴素贝叶斯算法的相关资料，包含算法以及实验结果等。

说明：5个描述属性，一个分类属性，通过贝叶斯算法实现分类

说明：贝叶斯算法,010100101010001000011100001

说明：利用matlab实现的贝叶斯分类器，对UCI数据集可以通用，只需要改变类别个数参数即可，准确率达到0.94，文件内含两个三类的UCI数据集。

说明：利用matlab实现贝叶斯分类，采用10折10次交叉验证法选取训练集和测试集，进行循环测试，最后返回准确率为0.9184.另外，文件内含数据源。

说明：贝叶斯算法实现分类及数据集 python代码 分类算法

说明：简单贝叶斯的介绍和讲解，深刻理解简单的贝叶斯

说明：机器学习实验，实现贝叶斯算法 用C++的基础性语言来实现贝叶斯算法

说明：朴素贝叶斯的在Python中的调用方法以及对数据的训练及预测方法

说明：Probabilistic Programming and Bayesian Methods for Hackers是一本写给开发者的关于贝叶斯方法和概率问题的免费开源书。贝叶斯方法的用途十分广泛，在经济学上能找出一堆的例子。而在IT行业，机器学习是非常典型的一个应用。而机器学习也是本书作者写本书的一个重要的理由。 本书选择了Python作为编程语言，这一点都不奇怪，Python在科研和数据分析上的应用是非常方便和普遍的，比如大名鼎鼎的Numpy等。作者在本书中使用另一个库PyMC，它依赖于Numpy和SciPy(可选)。 如果你正从事数据分析和机器学习的研究，这是一本非常棒的书籍。它不仅介绍了贝叶斯的相关理论，告诉了我们一些这个伟大的理论没告诉我们的东西，更重要的是，他的文档基于ipython-notebook完成，这是一种输入代码实时在网页显示各种统计图的工具。图文并茂，十分生动。唯一的要求可能是需要有一定的数学功力和英语水平了。

说明：朴素贝叶斯算法运行和程序代码的实验与结果

说明：贝叶斯分类器高斯概率密度仿真，协方差矩阵满足∑i=∑（∑是非对角阵）

说明：基于贝叶斯变分法的自编码器VAE，以及由此生成的一个写诗机器人。

说明：利用贝叶斯对图像分割 在matlab上完成

说明：贝叶斯网络工具箱（FullBNT-1.0.4）

说明：机器学习总结的各种代码样例，贝叶斯分类，聚类，决策树，线性回归，随机森林等

说明：小结了几个分类算法，针对多个uci数据集使用以上算法进行验证，可以比较各个算法对不同数据集的分类精度，适合初学者。

说明：朴素贝叶斯的分类应用——————垃圾邮件过滤

说明：贝叶斯网络工具箱（FullBNT-1.0.4）使用说明

说明：根据身高体重使用贝叶斯分类器对男女生分类，并计算分类错误率

说明：贝叶斯网路结构学习工具箱，基于matlab语言

说明：垃圾邮件分类，NB贝叶斯分类方法，基于matlab实现，包含垃圾邮件数据