搜索资源列表
bayesnetwork
- 用k2算法从先验概率构建贝叶斯网络,实现推理,结构学习,参数学习用贝叶斯方法。-K2 algorithm using Bayesian network built from the a priori probability to achieve reasoning, structure learning, parameter learning.
GailvLun
- 讲授贝叶斯原理,是概率论中很重要的一个分支-Bayesian principles of teaching is very important in probability theory a branch of
classification
- 在具有模式的完整统计知识条件下,按照贝叶斯决策理论进行设计的一种最优分类器。分类器是对每一个输入模式赋予一个类别名称的软件或硬件装置,而贝叶斯分类器是各种分类器中分类错误概率最小或者在预先给定代价的情况下平均风险最小的分类器。-In a model under the condition of complete statistical knowledge, in accordance with the Bayesian decision theory to design an optimal c
node
- 模拟网络通信,对其中的信息进行统计,用贝叶斯算法计算特定信息的后验概率,自动日志-Simulation of network communications, for which statistical information, using Bayesian algorithm-specific information on a posteriori probability, automatic log
beiyes
- 贝叶斯网络概率中文分词算法,基于概率的分词算法-Bayesian network probability of Chinese word segmentation algorithm, based on the probability of word segmentation algorithm
bayes
- 贝叶斯决策包含最小风险和最小错误概率两种情况的仿真-Bayesian decision-making included the minimum risk and minimum error probability of the two simulation
Bayes_Classify
- 贝叶斯分类器,利用后验概率,对已知属性对象进行分类-Bayesian classifier, the use of posterior probability of the known properties of the object classification
patternRecognition
- 这系列课件系统地讲述了模式识别的基本理论和基本方法。内容涵盖了贝叶斯决策、概率密度函数的估计、线性判别函数、邻近法则、特征的选择和提取、非监督学习、神经网络、模糊模式识别等。-This series of courseware on a pattern recognition system to the basic theory and basic methods. Covers the Bayesian decision-making, the estimated probability de
The_Status_Quo_of_Machine_Learning_of_Artificial_I
- 机器学习是人工智能的一个子领域,是人工智能中非常活跃且范围甚广的主要核心研究领域之一,也是现代智能系统的关键环节和瓶颈。机器学习吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果,主要关注于开发一些让计算机可以自动学习的技术,并通过经验提高系统自身的性能。本文介绍了机器学习的概念、基本结构和发展,以及各种机器学习方法,包括机械学习、归纳学习、类比学习、解释学习、基于神经网络的学习以及知识发现等,并简单叙述了机器学习的相关算法,包括决策树算法、随机森林算
rain
- 建立贝叶斯网络,草地湿的条件概率网络。计算边缘概率,联合分布。-The establishment of Bayesian networks, conditional probability network of wet grass. Computing marginal probabilities, the joint distribution.
BMDCP
- 突变分为如下主要的几种:均值突变(最常见)、方差突变、线性回归突变(也称趋势突变)、概率突变、空间型突变、谱突变、模型参数突变,等等。贝叶斯突变检测属于概率突变检测方法,其特点是能给出突变点的概率分布图。-Mutations are divided into the following main categories: the mean mutation (the most common), variance mutation, linear regression mutation (also
naive_baysian_classify
- 朴素贝叶斯公式文本分类 把一片文章读入一个矩阵 分别计算每个词对应训练网络出现的概率 -Bayesian text classification to an article in the formula to read a matrix were calculated for each word corresponds to the training network the probability
贝叶斯分类器设计
- 利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类。也就是说,贝叶斯分类器是最小错误率意义上的优化。
贝叶斯正演
- 该程序主要是用于求取多参数的联合概率密度函数,以及从联合概率密度函数中求取边缘概率密度函数
贝叶斯概率分解源码
- 贝叶斯概率分解的matlab详细源码,里面有详细的推导过程
最小错误率贝叶斯决策
- 基于最小错误率的贝叶斯决策 (1)要决策分类的类别数是一定的;(2)每一类出现的“先验概率”已知;(3)每一类的“类条件概率密度”已知;(Bayesian Decision Based on Minimum Error Rate(1) the "prior probabilities" of each class are known; (2) the "conditional probability density" of each class is kn
贝叶斯
- 贝叶斯分类器的分类原理是通过某对象的先验概率,利用贝叶斯公式计算出其后验概率,即该对象属于某一类的概率,选择具有最大后验概率的类作为该对象所属的类(The classification principle of Bias classifier is to calculate the posterior probability by using Bias's formula through the prior probability of an object, that is, the proba
人工智能:人工智能选股之朴素贝叶斯模型
- 本报告对 朴素贝叶斯模型及线性判别分析、二次判别分析 进行系统测试 “生成模型”是机器学习中监督学习方法的一类。与“判别模型”学习决 策函数和条件概率不同,生成模型主要学习的是联合概率分布??(??,??)。本 文中,我们从朴素贝叶斯算法入手,分析比较了几种常见的生成模型(包 括线性判别分析和二次判别分析)应用于多因子选股的异同,希望对本领 域的投资者产生有实用意义的参考价值。(This report gives a systematic test of naive Bayesian
贝叶斯方法 -概率编程与贝叶斯推断 zip
- 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
贝叶斯判决
- 假定某个局部区域细胞识别中正常w1和非正常w2 两类先验概率分别为: 正常状态:P(w1)=0.9 ; 异常状态:P(w2)=0.1 。 现有一系列待观察的细胞,其观察值为: -2.67 -3.55 -1.24 -0.98 -0.79 -2.85 -2.76 -3.73 -3.54 -2.27 -3.45 -3.08 -1.58 -1.49 -0.74 -0.42 -1.12 4.25 -3.99 2.88 -0.98 0.79 1.19 3.07 两类的类条件概率符合正态分布