① matlab優化工具箱怎麼調用呀我們要處理貝葉斯診斷問題請問該怎麼操作
1、MATLAB自帶工具箱
查看方來式：源
首先詳細介紹一下MATLAB自帶工具箱的使用。
在不熟悉一些調用工具箱的命令的時候，可以在MATLAB主窗口中，點擊左下角start--toolboxes,就會羅列出MATLAB已經安裝的所有工具箱，可以根據個人的需要選擇將要使用的工具箱。可以看到有擬合工具箱、金融工具箱、最優化工具箱等等。
2、調用（打開）方式：以調用擬合工具箱為例，進行詳細的示例。
調用方式一：
按照以下步驟：
點擊主窗口左下角start--toolboxes--curve fitting--curve fitting tool 單擊，就可以打開擬合工具箱。
3、調用方式二：
在上一步中，在start--toolboxes--curve fitting--curve fitting tool ，到這里的時候，會看到在其後面有一個簡寫 cftool ，這就是擬合工具箱調用命令函數。在MATLAB主窗口中輸入cftool ，回車，同樣可以打開擬合工具箱。
4、工具箱的使用：
擬合工具箱打開之後，就可以進行多種曲線擬合了。
② 求大神！matlab代碼錯誤如何調試，未定義的函數'mk_bnet'用於類型'cell'的輸入參數。
你要先向matlab中添加FULLBNT！！
2.向matlab中添加FULLBNT，參考地址：
http://hi..com/73290673/item/21db99f36d90bc49932af29d
採用MATLAB語言編制的貝葉斯網路工具箱(Bayesian Networks Toolbox,BNT)可實現貝葉斯網路結構學習、參數學習、推理和構建貝葉斯分類器,此工具箱在貝葉斯學習編 程方面非常靈活。
官方主頁：http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html
官方下載：http://www.cs.ubc.ca/~murphyk/Software/BNT/FullBNT-1.0.4.zip
原文鏈接：http://hi..com/zgyz/blog/item/2d3627f415c7fbe77709d763.html
貝葉斯網路：http://www.cs.ubc.ca/~murphyk/Software/BNT/bnt.html
語音工具箱：http://www.ee.ic.ac.uk/hp/staff/dmb/voicebox/voicebox.html
1、解壓FullBNT-1.0.4.zip，將整個目錄FullBNT-1.0.4復制到MATLAB的安裝目錄的TOOLBOX目錄下，如D:\MATLAB7\toolbox\
2、打開Matlab，在MATLAB命令窗口中輸入以下命令：
>> cd D:\MATLAB7\toolbox\FullBNT-1.0.4
>> addpath(genpathKPM(pwd))
>>
將TOOLBOX下新加的BNT工具箱加到MATLAB的搜索路徑中去。
添加BNT工具箱的MATLAB的搜索路徑也可採用如下指令
>> addpath(genpath('D:\MATLAB7\toolbox\FullBNT-1.0.4'))
>>
3、為了永久保存上面的路徑，以免下次重啟MATLAB時重新添加，在MATLAB命令窗口下使用下面的命令：
>> savepath
>>
4、檢驗是否成功設置的方法：
在命令窗口中輸入以下命令：which test_BNT.m（可以為所加工具箱的任一個M文件名稱），如果顯示正確，就說明上面的設置成功。
>> which test_BNT.m
D:\MATLAB7\toolbox\FullBNT-1.0.4\BNT\test_BNT.m
>>
3.關於FULLBNT使用簡單教程
http://www.cs.ubc.ca/~murphyk/Software/BNT/usage.html#examples
http://blog.sina.com.cn/s/blog_6c7b434d01013ufz.html
參考鏈接：http://blog.csdn.net/moodytong/article/details/8122327
③ bnt matlab 怎麼做mcmc有向無環貝葉斯網路結構學習
基於matlab的貝葉斯網路工具箱BNT是kevin p.murphy基於matlab語言開發的關於貝葉斯網路學習的開源包，提供了許多貝葉斯網路學習的底層基礎函數庫，支持多種類型的節點（概率分布）、精確推理和近似推理、參數學習及結構學習、靜態模型和動態模型。
貝葉斯網路表示：BNT中使用矩陣方式表示貝葉斯網路，即若節點i到j有一條弧，則對應矩陣中（i，j）值為1，否則為0。
結構學習演算法函數：BNT中提供了較為豐富的結構學習函數，都有：
學習樹擴展貝葉斯網路結構的TANC演算法learn_struct_tan().
2. 數據完整條件下學習一般貝葉斯網路結構的K2演算法learn_struct_k2()、貪婪搜索GS（greedy search）演算法learn_struct_gs()和爬山HC（hill climbing）演算法learn_struct_hc()等。
3. 缺失數據條件下學習一般貝葉斯網路結構的最大期望EM（expectation maximization）演算法learn_struct_EM（）和馬爾科夫鏈蒙特卡羅MCMC（Markov Chain Monte Carlo）learn_struct_mcmc()演算法等。
參數學習演算法函數：BNT中也提供了豐富的參數學習函數，都有：
1． 完整數據時，學習參數的方法主要有兩種：最大似然估計learn_params()和貝葉斯方法bayes_update_params();
2． 數據缺失時，如果已知網路拓撲結構，用EM演算法來計算參數，倘若未知網路拓撲結構，使用結構最大期望SEM（structure EM）演算法learn_struct_SEM()。
推理機制及推理引擎：為了提高運算速度，使各種推理演算法能夠有效應用，BNT工具箱採用了引擎機制，不同的引擎根據不同的演算法來完成模型轉換、細化和求解。這個推理過程如下：
BNT中提供了多種推理引擎，都有：
1． 聯合樹推理引擎jtree_inf_engine();
2． 全局聯合樹推理引擎global_joint_inf_engine();
3． 信念傳播推理引擎 belprop_inf_engine();
4． 變數消元推理引擎 var_elim_inf_engine().
④ python機器學習庫怎麼使用
1. Scikit-learn（重點推薦）
www .github .com/scikit-learn/scikit-learn
Scikit-learn 是基於Scipy為機器學習建造的的一個Python模塊，他的特色就是多樣化的分類，回歸和聚類的演算法包括支持向量機，邏輯回歸，樸素貝葉斯分類器，隨機森林，Gradient Boosting，聚類演算法和DBSCAN。而且也設計出了Python numerical和scientific libraries Numpy and Scipy2、Keras（深度學習）
https://github.com/fchollet/keras
Keras是基於Theano的一個深度學習框架，它的設計參考了Torch，用Python語言編寫，是一個高度模塊化的神經網路庫，支持GPU和CPU。
3、Lasagne（深度學習）
不只是一個美味的義大利菜，也是一個和Keras有著相似功能的深度學習庫，但其在設計上與它們有些不同。
4.Pylearn2
www .github .com/lisa-lab/pylearn2
Pylearn是一個讓機器學習研究簡單化的基於Theano的庫程序。它把深度學習和人工智慧研究許多常用的模型以及訓練演算法封裝成一個單一的實驗包，如隨機梯度下降。
5.NuPIC
www .github .com/numenta/nupic
NuPIC是一個以HTM學習演算法為工具的機器智能平台。HTM是皮層的精確計算方法。HTM的核心是基於時間的持續學習演算法和儲存和撤銷的時空模式。NuPIC適合於各種各樣的問題,尤其是檢測異常和預測的流數據來源。
6. Nilearn
www .github .com/nilearn/nilearn
Nilearn 是一個能夠快速統計學習神經影像數據的Python模塊。它利用Python語言中的scikit-learn 工具箱和一些進行預測建模，分類，解碼，連通性分析的應用程序來進行多元的統計。
7.PyBrain
www .github .com/pybrain/pybrain
Pybrain是基於Python語言強化學習，人工智慧，神經網路庫的簡稱。 它的目標是提供靈活、容易使用並且強大的機器學習演算法和進行各種各樣的預定義的環境中測試來比較你的演算法。
8.Pattern
www .github .com/clips/pattern
Pattern 是Python語言下的一個網路挖掘模塊。它為數據挖掘，自然語言處理，網路分析和機器學習提供工具。它支持向量空間模型、聚類、支持向量機和感知機並且用KNN分類法進行分類。
9.Fuel
www .github .com/mila-udem/fuel
Fuel為你的機器學習模型提供數據。他有一個共享如MNIST, CIFAR-10 (圖片數據集), Google's One Billion Words (文字)這類數據集的介面。你使用他來通過很多種的方式來替代自己的數據。
10.Bob
www .github .com/idiap/bob
Bob是一個免費的信號處理和機器學習的工具。它的工具箱是用Python和C++語言共同編寫的，它的設計目的是變得更加高效並且減少開發時間，它是由處理圖像工具,音頻和視頻處理、機器學習和模式識別的大量軟體包構成的。
11.Skdata
www .github .com/jaberg/skdata
Skdata是機器學習和統計的數據集的庫程序。這個模塊對於玩具問題，流行的計算機視覺和自然語言的數據集提供標準的Python語言的使用。
12.MILK
www .github .com/luispedro/milk
MILK是Python語言下的機器學習工具包。它主要是在很多可得到的分類比如SVMS,K-NN,隨機森林，決策樹中使用監督分類法。 它還執行特徵選擇。 這些分類器在許多方面相結合,可以形成不同的例如無監督學習、密切關系金傳播和由MILK支持的K-means聚類等分類系統。
13.IEPY
www .github .com/machinalis/iepy
IEPY是一個專注於關系抽取的開源性信息抽取工具。它主要針對的是需要對大型數據集進行信息提取的用戶和想要嘗試新的演算法的科學家。
14.Quepy
www .github .com/machinalis/quepy
Quepy是通過改變自然語言問題從而在資料庫查詢語言中進行查詢的一個Python框架。他可以簡單的被定義為在自然語言和資料庫查詢中不同類型的問題。所以，你不用編碼就可以建立你自己的一個用自然語言進入你的資料庫的系統。
現在Quepy提供對於Sparql和MQL查詢語言的支持。並且計劃將它延伸到其他的資料庫查詢語言。
15.Hebel
www .github .com/hannes-brt/hebel
Hebel是在Python語言中對於神經網路的深度學習的一個庫程序，它使用的是通過PyCUDA來進行GPU和CUDA的加速。它是最重要的神經網路模型的類型的工具而且能提供一些不同的活動函數的激活功能，例如動力，涅斯捷羅夫動力，信號丟失和停止法。
16.mlxtend
www .github .com/rasbt/mlxtend
它是一個由有用的工具和日常數據科學任務的擴展組成的一個庫程序。
17.nolearn
www .github .com/dnouri/nolearn
這個程序包容納了大量能對你完成機器學習任務有幫助的實用程序模塊。其中大量的模塊和scikit-learn一起工作，其它的通常更有用。
18.Ramp
www .github .com/kvh/ramp
Ramp是一個在Python語言下制定機器學習中加快原型設計的解決方案的庫程序。他是一個輕型的pandas-based機器學習中可插入的框架，它現存的Python語言下的機器學習和統計工具（比如scikit-learn,rpy2等）Ramp提供了一個簡單的聲明性語法探索功能從而能夠快速有效地實施演算法和轉換。
19.Feature Forge
www .github .com/machinalis/featureforge
這一系列工具通過與scikit-learn兼容的API，來創建和測試機器學習功能。
這個庫程序提供了一組工具，它會讓你在許多機器學習程序使用中很受用。當你使用scikit-learn這個工具時，你會感覺到受到了很大的幫助。（雖然這只能在你有不同的演算法時起作用。）20.REP
www .github .com/yandex/rep
REP是以一種和諧、可再生的方式為指揮數據移動驅動所提供的一種環境。
它有一個統一的分類器包裝來提供各種各樣的操作，例如TMVA, Sklearn, XGBoost, uBoost等等。並且它可以在一個群體以平行的方式訓練分類器。同時它也提供了一個互動式的情節。
21.Python 學習機器樣品
www .github .com/awslabs/machine-learning-samples用亞馬遜的機器學習建造的簡單軟體收集。
22.Python-ELM
www .github .com/dclambert/Python-ELM
這是一個在Python語言下基於scikit-learn的極端學習機器的實現。
23.gensim
主題模型python實現
Scalable statistical semantics
Analyze plain-text documents for semantic structureRetrieve semantically similar documents
⑤ 如何安裝貝葉斯網路工具箱
在matlab的file下面的set path把它加上，把路徑加進去後在
file→Preferences→General的Toolbox Path Caching里點擊update Toolbox Path Cache更新專一下，就屬OK了