Introduction

• 这一部分内容来自斯坦福大学的公开课：https://www.coursera.org/learn/probabilistic-graphical-models
• 参考书：https://mitpress.mit.edu/books/probabilistic-graphical-models

概率模型是机器学习中的重要模型。没有凭空现象，我更倾向于这是一种思想理念，能够为解决一类问题提供一种可行的模型。为了建立这种模型，我们需要深入理解这个模型的原理，以及如何建立。

概率模型是比较传统，或者说相对古老的机器学习模型。尽管现在像深度学习和神经网络更受欢迎，概率模型依然是学者不可忽视的重要模型。它常用于做推断和决策制定。

本节也只是记录了我的笔记。如遇全面的了解，敬请参考原课程。

Models

构建模型可以参考两个来源

• 有领域的专家显式的指示
• 从数据中发觉潜在的

模型的表示是显式的，声明的。

不确定性地方来源

• Partial knowledge of state of the world「对世界状况的部分了解，而不是全面的」
• Noisy observations
• Phenomena not covered by our model
• Inherent stochasticity「固有的随机性」

Probability Theory

• 具有明确语义的声明性表述
• 强大的推理模式
• 既定的学习方法

Complex Systems

• Random variables X1,..., Xn
• Joint distribution P(X1,..., Xn)

Graphical Models

两种常见的图形化表示模型

1672759835044.png

1672759865840.png

Applications

• Medical diagnosis
• Fault diagnosis「故障诊断」
• Natural language processing
• Traffic analysis
• Social network models「社交网络模型」
• Message decoding
• Computer vision
  • Image segmentation
  • 3D reconstruction
  • Holistic scene analysis「整体场景分析」
• Speech recognition
• Robot localization & mapping「机器人定位和测绘」