摘要：对于概率图模型，整个过程分为三个步骤： Reprentation：如何建模以表示现实世界中的不确定性和各个量之间的关系。 Inference：如何从我们建立的模型中去推知我们要求的问题（概率）。 Learnig：对于我的数据来说，什么模型是相对正确的？ 之前都是对Repretation的学习，从本篇 阅读全文

摘要：本章总结几个模板模型：动态贝叶斯、隐马尔科夫和Plate模型 1 OverView of Template Models 为了达到不用每一都对问题建立模型，而是每次都对某一类问题有一个统一的模型进行处理，而提出了模板模型。模板模型（template model）编码了具有重复结构和共享参数的模型。从 阅读全文

摘要：一、Log-Linear Models 将所有情况列成表格显示是很麻烦的，因此用一个模型来代替所有情况的显示是很重要的，因此便有了线性化模型，Log函数也是线性，因此便有了Log-Linear Models。 之前的分布用左边的公式来表达，其中factor Φi 将所有的情况全部罗列到了一起，为了能 阅读全文

摘要：上一篇的末尾讲到了表现性的问题，贝叶斯网络不能完全表现出某些概率分布特征，而马尔科夫网络有更好的表现性，马尔科夫网络是无向图模型（UGM）。 一、Factors（因子） 每个因子可以是一个函数，也可以是一个表，表示其中的variables之间的关系。表示为Φ（X1，X2，...，Xk）。 facto 阅读全文

摘要：整个专栏对最近学习的概率图模型（Probabilistic Graphical Models）做一个总结，本篇主要总结Bayesian Networks的基本原理。 1、对于多变量的分布 PGM的主要目的是提供一种有效的工具来解约多概率变量模型。用联合概率来表示多概率变量模型如下： P(X1,X2, 阅读全文