谢澎涛：
概述
- 概率图模型大致可以分为两种，directed graphical model(又称贝叶斯网络）和undirected graphical model（又称马尔可夫随机场）
- PGM（同支持向量机、决策树、bosting一起）是将人工智能的研究热点从传统AI（逻辑，推理，知识表示）转向机器学习的重要工作
应用：
隐马尔可夫模型（HMM）是语音识别的支柱模型
高斯混合模型（GMM）及其变种K-means是数据聚类的最基本模型
条件随机场（CRF）广泛应用于自然语言处理（如词性标注，命名实体识别）
Ising模型获得过诺贝尔奖
话题模型在工业界大量使用(如腾讯的推荐系统）
解释
PGM是一个概率分布，
图中的结点对应于随机变量，
边对应于随机变量的dependency或者correlation关系
使用：给定一个实际问题，我们通常会观测到一引起数据，并且希望能够挖掘出隐含在数据中的知识
构建一个图
用观测点表示观测到的数据，
用隐含结点表示潜在的知识，
用边来描述知识与数据的相互关系，
最后获得一个概率分布。
给定概率分布之后，通过进行两个任务来获取知识：
- inference(给定观测结点，推断隐含结点的后验分布)
- learning(学习这个概率分布的参数)
强大之处在于：
不管数据和知识多复杂，我们的处理手段是一样的：
建一个图，定义一个概率分布，进行inference和learning
系统学习：
推荐CMU Eric Xing教授每年开的10708 PGM课程 10708 Probabilistic Graphical Models。 既包含了PGM最基本、最核心的内容，也讲述了很多advanced topic。而且有视频。