概率图模型: Coursera课程资源分享和简介

本博客中概率图模型（Probabilistic Graphical Model）系列笔记以 Stanford 教授 Daphne Koller 的公开课 Probabilistic Graphical Model 为主线，结合资料（每篇博文脚注都附有链接）加以补充. 为便于对照课程查阅，博文的章节编号与课程视频编号一致. 博文持续更新（点击这里见系列笔记目录页），丰富课程资源见 PGM（概率图模型）Coursera: 课程资源分享和简介.

课程内容

　　概率图模型的表示刻画了模型的随机变量在变量层面的依赖关系, 反映出问题的概率结构以及推理的难易程度, 也为推理算法提供了可以操作的数据结构. 概率图模型的表示方法有多种比如常见贝叶斯网络、马尔可夫网络、因子图等.
　　
　　Stanford 教授 Daphne Koller 的公开课 Probabilistic Graphical Model 可在 Coursera 上学习，并且配有编程作业. 该课程主要包括了1：

贝叶斯网络及马尔可夫网络的概率图模型表示及变形。

Reasoning 及 Inference 方法，包括exact inference(variable elimination, clique trees) 和 approximate inference (belief propagation message passing, Markov chain Monte Carlo methods)。

概率图模型中参数及结构的learning方法。

使用概率图模型进行统计决策建模。

课程资源

Coursera-Stanford-PGM 课程视频，提取码：dnva；
Coursera-Stanford-PGM 课程幻灯片slides，提取码：ogui；
Daphne Koller 教授的著作Probabilistic Graphical Models - Principles and Techniques，以及这本书王飞跃，韩素青的翻译版概率图模型 - 原理与技术；
An Introduction to Probabilistic Graphical Models - Jordan是一本不错的书籍，比Koller那本的厚度可是要轻量级不少；
至于编程作业代码答案，csdn的资源库和github上均有，但是这个不该作为资源来分享……希望大家还是努力自己完成~自己走一遍才是真正的理解。

概率图模型综述

【综述】(MIT博士）林达华老师－”概率模型与计算机视觉” , 讲透了概率图模型的历史和未来发展方向。以及这篇文章排版润色之后.
Freemind 的博文 Probabilistic Graphical Model.
心怀畏惧的博文概率图模型简介 .

我的笔记目录页

概率图模型(01): 概述 & 三种分布（边缘 & 联合 & 条件）
概率图模型(02)上: 贝叶斯网中独立关系（因子分解 & 影响流动）
概率图模型(02)下: 贝叶斯网两等价观点（条件独立和因子分解）
概率图模型(03): 模板模型（动态贝叶斯, 隐马尔可夫和 Plate 模型）
概率图模型(05): 揭示局部概率结构, 稀疏化网络表示（Structured-CPDs）
概率图模型(06): 概率图双重对偶视角 || 马尔可夫网 & 条件随机场及应用
概率图模型(07): 从思路到模型（Knowledge Engineering）

Mark几篇博文

总结性极强的干货课程笔记目录页，适合学完课程后整理复习和理解框架使用。
Stanford概率图模型（Probabilistic Graphical Model）— 第一讲贝叶斯网络基础
Stanford概率图模型（Probabilistic Graphical Model）— 第二讲 Template Models and Structured CPDs
概率图模型（PGM）学习笔记（三）模式推断与概率图流
概率图模型（PGM）学习笔记（四）贝叶斯网络-伯努利贝叶斯-多项式贝叶斯
一个系列博文笔记目录页

yangliuy, Stanford概率图模型（Probabilistic Graphical Model）— 第一讲贝叶斯网络基础, http://blog.csdn.net/yangliuy/article/details/8067261. ↩

本文转自：http://blog.csdn.net/thither_shore/article/details/52185758