貝葉斯（Bayesion）機(jī)器學(xué)習(xí)相互信息。用于求取熵、聯(lián)合熵等。改進(jìn)后可用于隨機(jī)反演
資源簡(jiǎn)介：貝葉斯（Bayesion）機(jī)器學(xué)習(xí)相互信息。用于求取熵、聯(lián)合熵等。改進(jìn)后可用于隨機(jī)反演
上傳時(shí)間： 2016-11-12
上傳用戶：lht618
資源簡(jiǎn)介：Bayesian Filter.貝葉斯（Bayesian）濾波器的C++類庫。包括卡爾曼濾波（kalman filter）、粒子濾波(particle filter)等。
上傳時(shí)間： 2013-12-28
上傳用戶：ukuk
資源簡(jiǎn)介：模式識(shí)別一份很好的作業(yè),包括線性分類器；最小風(fēng)險(xiǎn)貝葉斯分類器；監(jiān)督學(xué)習(xí)法分層聚類分析；K－L變換提取有效特征,支持向量機(jī)
上傳時(shí)間： 2014-11-30
上傳用戶：372825274
資源簡(jiǎn)介：貝葉斯matlab程序算法，給出了大量練習(xí)數(shù)據(jù)和實(shí)驗(yàn)方法以及結(jié)果分析。
上傳時(shí)間： 2016-05-07
上傳用戶：www240697738
資源簡(jiǎn)介：貝葉斯分類實(shí)驗(yàn)，設(shè)計(jì)簡(jiǎn)單的線性分類器，了解模式識(shí)別的基本方法。掌握利用貝葉斯公式進(jìn)行設(shè)計(jì)分類器的方法。
上傳時(shí)間： 2017-04-29
上傳用戶：exxxds
資源簡(jiǎn)介：java編寫的貝葉斯網(wǎng)絡(luò)分類器（貌似沒有模型構(gòu)建和參數(shù)學(xué)習(xí)過程）
上傳時(shí)間： 2014-12-20
上傳用戶：xiaoxiang
資源簡(jiǎn)介：樸素貝葉斯分類器（Navie Bayesian Classifier）識(shí)別鼠標(biāo)輸入的字母A～J
上傳時(shí)間： 2015-03-08
上傳用戶：chfanjiang
資源簡(jiǎn)介：Classifier4J這個(gè)Java類庫為文本自動(dòng)分類提供了一個(gè)API。缺省（目前）實(shí)現(xiàn)的API是一個(gè)貝葉斯分類器。這個(gè)類庫可以用于多個(gè)目的－可能作為一個(gè)垃圾郵件過濾器或一個(gè)blog
上傳時(shí)間： 2015-04-05
上傳用戶：shinesyh
資源簡(jiǎn)介：一些機(jī)器學(xué)習(xí)的文檔.有貝葉斯,決策樹,ga,ann,規(guī)則學(xué)習(xí),增強(qiáng)學(xué)習(xí)等ppt介紹文檔
上傳時(shí)間： 2013-12-16
上傳用戶：zaizaibang
資源簡(jiǎn)介：是實(shí)現(xiàn)關(guān)系型貝葉斯網(wǎng)絡(luò)一中機(jī)器學(xué)習(xí)算法，從國外相關(guān)研究人員的主頁上下載收集。
上傳時(shí)間： 2013-12-25
上傳用戶：yan2267246
資源簡(jiǎn)介：樸素貝葉斯(Naive Bayes, NB)算法是機(jī)器學(xué)習(xí)領(lǐng)域中常用的一種基于概率的分類算法，非常簡(jiǎn)單有效。k近鄰法(k-Nearest Neighbor, kNN)[30,31]又稱為基于實(shí)例(Example-based, Instance-bases)的算法，其基本思想相當(dāng)直觀：Rocchio法來源于信息檢索系統(tǒng)，后來最早...
上傳時(shí)間： 2014-01-03
上傳用戶：wxhwjf
資源簡(jiǎn)介：本文通過分析樸素貝葉斯的兩種常見的實(shí)現(xiàn) 模型：二項(xiàng)獨(dú)立模型（BIM）和多項(xiàng)模型（MM），提出混和模型的樸素貝葉斯方法和帶有單詞量相關(guān)的 平滑因子的混和模型。
上傳時(shí)間： 2014-11-24
上傳用戶：wyc199288
資源簡(jiǎn)介：L-M優(yōu)化算法（trainlm）和貝葉斯正則化算法（trainbr）
上傳時(shí)間： 2013-12-08
上傳用戶：gundamwzc
資源簡(jiǎn)介：樸素貝葉斯分類器（Naive Bayes Classifier），可以分類任意屬性個(gè)數(shù)和目標(biāo)狀態(tài)的離散樣例。
上傳時(shí)間： 2014-10-31
上傳用戶：戀天使569
資源簡(jiǎn)介：模式識(shí)別--VISUAL C++環(huán)境下編寫的貝葉斯分類器（bayes）,值得收藏
上傳時(shí)間： 2013-12-29
上傳用戶：weixiao99
資源簡(jiǎn)介：BP神經(jīng)網(wǎng)絡(luò)的matlab程序（動(dòng)量梯度下降算法訓(xùn)練 、貝葉斯正則化算法）
上傳時(shí)間： 2013-12-15
上傳用戶：邶刖
資源簡(jiǎn)介：人工智能 機(jī)器學(xué)習(xí) 貝葉斯的模型 訓(xùn)練貝葉斯
上傳時(shí)間： 2017-10-26
上傳用戶：faith
資源簡(jiǎn)介：基于不斷學(xué)習(xí)的貝葉斯-KNN文本分類算法的設(shè)計(jì)與實(shí)現(xiàn),給出原始幾個(gè)類別的文本文件，通過機(jī)器學(xué)習(xí)，獲取各個(gè)類別文本內(nèi)容的主要特征，在這個(gè)基礎(chǔ)上，給出待分類的文件庫，系統(tǒng)通過自動(dòng)分類，對(duì)文件庫中的文本進(jìn)行分類，把文件分配到最有可能的類別中。
上傳時(shí)間： 2015-08-31
上傳用戶：時(shí)代電子小智
資源簡(jiǎn)介：本文介紹了一般貝葉斯框架通過稀疏來解決回歸和經(jīng)典任務(wù)中利用線性模型中參數(shù)。雖然這框架完全概括說明了，我們對(duì)一個(gè)特定專業(yè)的做法，這個(gè)特定專業(yè)就是我們指的“相關(guān)向量機(jī)（ RVM ）” 一個(gè)模型以相同的函數(shù)模型功能流行和最先進(jìn)的“支持向量機(jī)”（ SVM） ...
上傳時(shí)間： 2014-01-02
上傳用戶：dancnc
資源簡(jiǎn)介：原書推介：貝葉斯方法是一種常見的利用概率學(xué)知識(shí)去解決不確定性問題的數(shù)學(xué)方法，對(duì)于一個(gè)計(jì)算機(jī)專業(yè)的人士，應(yīng)當(dāng)熟悉其應(yīng)用在諸如機(jī)器翻譯，語音識(shí)別，垃圾郵件檢測(cè)等常見的計(jì)算機(jī)問題領(lǐng)域。在共計(jì)15章的篇幅中討論了怎樣解決十幾個(gè)現(xiàn)實(shí)生活中的實(shí)際問題。在...
上傳時(shí)間： 2022-06-30
上傳用戶：
資源簡(jiǎn)介：貝葉斯學(xué)習(xí)算法分類文本。基于樸素貝葉斯分類器的文本分類的通用算法，是目前所知文本分類算法中最有效的一類
上傳時(shí)間： 2014-01-19
上傳用戶：zhaiyanzhong
資源簡(jiǎn)介：貝葉斯學(xué)習(xí)算法分類文本。基于樸素貝葉斯分類器的文本分類的通用算法，是目前所知文本分類算法中最有效的一類
上傳時(shí)間： 2015-07-19
上傳用戶：CHINA526
資源簡(jiǎn)介：貝葉斯學(xué)習(xí)的指導(dǎo)，通過它可以了解該數(shù)據(jù)挖掘的方法
上傳時(shí)間： 2013-12-18
上傳用戶：thinode
資源簡(jiǎn)介：樸素貝葉斯分類算法，《機(jī)器學(xué)習(xí)及java實(shí)現(xiàn)里面的》
上傳時(shí)間： 2016-03-09
上傳用戶：徐孺
資源簡(jiǎn)介：樸素貝葉斯分類算法2，《機(jī)器學(xué)習(xí)及java實(shí)現(xiàn)里面的》
上傳時(shí)間： 2014-01-10
上傳用戶：cjf0304
資源簡(jiǎn)介：動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)推理的c++代碼,希望對(duì)你有用.
上傳時(shí)間： 2013-12-31
上傳用戶：zhoujunzhen
資源簡(jiǎn)介：采用貝葉斯正則化算法提高 BP 網(wǎng)絡(luò)的推廣能力。我們采用兩種訓(xùn)練方法，即 L-M 優(yōu)化算法（trainlm）
上傳時(shí)間： 2013-12-19
上傳用戶：三人用菜
資源簡(jiǎn)介：基于BP算法的貝葉斯網(wǎng)絡(luò)參數(shù)學(xué)習(xí)， 實(shí)現(xiàn)了圖形話的節(jié)點(diǎn)表示和樣本生成， 圖形話的結(jié)果分析
上傳時(shí)間： 2016-09-22
上傳用戶：戀天使569
資源簡(jiǎn)介：用matlab實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的學(xué)習(xí)、推理。
上傳時(shí)間： 2014-11-16
上傳用戶：qq21508895
資源簡(jiǎn)介：結(jié)合稀疏貝葉斯學(xué)習(xí)方法和支持向量跟蹤(SV T) 原理, 提出了相關(guān)向量跟蹤(RV T)。由于跟蹤系統(tǒng)事先學(xué)習(xí)到了目標(biāo) 的“知識(shí)”, 故匹配發(fā)生在候選圖像塊與先驗(yàn)知識(shí)之間, 而不必考慮模板更新。相關(guān)向量有比支持向量更稀疏的性能, 所以相關(guān) 向量跟蹤比支持向量跟...
上傳時(shí)間： 2016-09-30
上傳用戶：qazxsw
