潜在客户贝叶斯 贝叶斯的PROSPECT叶片光学特性模型反演。

概率编程与贝叶斯方法实践 概率编程与贝叶斯方法实践 概率编程与贝叶斯方法实践

一个包含常用模式识别方法的工具箱，使用简单

递归贝叶斯估计推导.docx

中文 八分类 贝叶斯 训练文件为ysr.py 可以生成两个模型并保存 测试文件为test.ipynb 偷个懒在notebook上写的 代码很好懂，写的也很简单，随便拿去改~

用C实现的朴素贝叶斯的算法实现，对于数据挖掘的贝叶斯算法的理解有一定的帮助

曲线交点 贝塞尔曲线相交算法和实用程序。 提取自裁剪实现。 安装 npm install --save curve-intersection 用法 如果你的平台还不支持 es6，你可以require('curve-intersection/es3') 。 import { curveIntersections } from 'curve-intersection' ; // coordinates of the control points let curves = [ [ 25.3 , 21.4 , - 93.4 , - 180.5 , 90.9 , 177.2 , - 31 , - 15.8 ] , [ 26.9 , - 22.6 , - 196.3 , 48.300000000000004 , 193.4 , - 52 , - 21.8 , 24 ] ] ; let

Dragonfly是一个用于可扩展贝叶斯优化的开源python库 Dragonfly 是一个用于可扩展贝叶斯优化的开源 Python 库。 贝叶斯优化用于优化评估通常很昂贵的黑盒函数。 除了普通的优化技术，Dragonfly 还提供了一系列工具来将贝叶斯优化扩展到昂贵的大规模问题。 其中包括特别适合高维优化（针对大量变量进行优化）、同步或异步设置中的并行评估（并行进行多个评估）、多保真优化（使用廉价的近似值来加速优化过程）和多目标优化（同时优化多个功能）。 Dragonfly 兼容 Python2 (>= 2.7) 和 Python3 (>= 3.5)，并已在 Linux、macOS 和 Windows 平台上进行测试。 有关文档、安装和入门指南，请参阅我们的 readthedocs 页面。 有关更多详细信息，请参阅我们的论文。 安装 有关安装 Dragonfly 及其依赖项的详细说明，请参见此处。 快速安装：如果你以前做过这种事情，你应该可以通过pip安装Dragonfly。 $ sudo apt-get install python-dev pytho

兰切斯特 数据集和源代码，用于应用近似贝叶斯计算来评估兰切斯特的作战法则 数据 每个csv文件都包含4个期间之一的战斗 代码 lanchester.py包含四个已检查模型的实现和一些实用程序类。 example.py是模拟的示例。 在第一阶段输出2个模型的仿真 abc.py使用拒绝算法实现ABC。 有关更多信息，请键入“ ./abc.py --help”

【Matlab仿真】基于贝叶斯准则和最小平均错误概率准则的二元信号检测及性能分析，通过观察检测概率和虚警概率随着检测门限的变化而变化