概率圖模型（PGM）是用圖來表示變量概率依賴關系的理論。自被圖靈獎獲得者Pearl提出以來，已成為不確定性推理近10年的研究熱點，在統計機器學習、計算機視覺和自然語言處理等領域有廣闊的應用前景，比如隱馬爾可夫模型是語音識別的支柱模型，高斯混合模型及其變種K-means是數據聚類的最基本模型，條件隨機場廣泛應用于自然語言處理（如詞性標注，命名實體識別）等。

PGM作為機器學習的重要框架，奠定了統計機器學習的基礎。在深度學習的統治江湖的時代，概率圖模型有沒有必要系統學習一下呢？知乎上這個問題獲得了19萬的瀏覽量，大家在強調PGM重要性的同時，將其譽為最優美的機器學習框架之一，系統學習PGM是深入理解機器學習發展脈絡與知識體系的必備基礎。

遺憾的是，目前國內還沒有概率圖模型的中文開放課程，為大家深入學習帶來了較大困難。近期，專注于AI在線教育的深藍學院聯合Cornell University訪問學者、清華大學博士董建家正式推出全網獨家中文課程——『概率圖模型：理論與應用』課程。課程通過視頻授課與微信群直接答疑的形式，帶你領略PGM的優美。

【課程講師】

董建家，清華大學自動化系博士，美國Cornell University訪問學者，博士期間研究方向為概率圖模型、機器學習、醫學圖像處理等，在IEEE Transactions on Medical Imaging，Magnetic Resonance in Medicine，Neurocomputing等國際頂級期刊和會議上共發表高水平論文13篇（ SCI檢索論文7篇，EI檢索論文6篇），申請專利20項。

【課程目錄】

1. 概率圖模型簡介（2學時）

1.1 什么是概率圖模型？

1.2 概率圖模型發展歷程

1.3 概率圖模型的表示、推理、學習

1.4 概率圖模型的應用舉例

2. 概率圖模型的表示（4學時）

2.1 概率論與圖論基礎知識回顧

? ? 2.1.1 概率論基礎

? ??2.1.2 圖論基礎

2.2貝葉斯網絡

? ??2.2.1 貝葉斯網絡的定義

? ??2.2.2 貝葉斯網絡的條件獨立性

? ??2.2.3 貝葉斯網絡實際案例

2.3馬爾科夫隨機場

? ??2.3.1 MRF的定義

? ??2.2.2 MRF的條件獨立性

? ??2.2.3 MRF實際案例

3. 概率圖模型的精確推理（4學時）

3.1 推理問題分類及意義

3.2 變量消元法

3.3 信念傳播算法（BP算法）

3.4 團樹傳播算法

3.5 二值圖切法

4. 概率圖模型的近似推理（5學時）

4.1 BP算法的能量最小化解釋

4.2 基于約束松弛和對偶分解的近似推理

? ??4.2.1 線性規劃松弛

? ??4.2.2 對偶分解

? ??4.2.3 對偶子問題選擇及等價約束分析

4.3 基于采樣的近似推理

4.4 基于圖切法的近似推理算法

5. 概率圖模型的學習（2學時）

5.1 參數學習

5.2 結構學習

6. 概率圖模型的應用（2學時）

6.1 條件隨機場在自然語言處理中的應用

6.2 MRF在醫學圖像中的應用

【報名咨詢】

1. 12月1日-29日，每周三、周六 晚7-9點授課；

2. 課程限報200人，報滿即止；

3. 微信掃碼添加助教書哲，即刻報名。

現在添加助教微信，備注“PGM”，即可免費領取PGM電子資料。

總結

以上是生活随笔為你收集整理的知乎问题：概率图模型是否有必要系统地学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。