知乎问题：概率图模型是否有必要系统地学习

概率图模型（PGM）是用图来表示变量概率依赖关系的理论。自被图灵奖获得者Pearl提出以来，已成为不确定性推理近10年的研究热点，在统计机器学习、计算机视觉和自然语言处理等领域有广阔的应用前景，比如隐马尔可夫模型是语音识别的支柱模型，高斯混合模型及其变种K-means是数据聚类的最基本模型，条件随机场广泛应用于自然语言处理（如词性标注，命名实体识别）等。

PGM作为机器学习的重要框架，奠定了统计机器学习的基础。在深度学习的统治江湖的时代，概率图模型有没有必要系统学习一下呢？知乎上这个问题获得了19万的浏览量，大家在强调PGM重要性的同时，将其誉为最优美的机器学习框架之一，系统学习PGM是深入理解机器学习发展脉络与知识体系的必备基础。

遗憾的是，目前国内还没有概率图模型的中文开放课程，为大家深入学习带来了较大困难。近期，专注于AI在线教育的深蓝学院联合Cornell University访问学者、清华大学博士董建家正式推出全网独家中文课程——『概率图模型：理论与应用』课程。课程通过视频授课与微信群直接答疑的形式，带你领略PGM的优美。

【课程讲师】

董建家，清华大学自动化系博士，美国Cornell University访问学者，博士期间研究方向为概率图模型、机器学习、医学图像处理等，在IEEE Transactions on Medical Imaging，Magnetic Resonance in Medicine，Neurocomputing等国际顶级期刊和会议上共发表高水平论文13篇（ SCI检索论文7篇，EI检索论文6篇），申请专利20项。

【课程目录】

1. 概率图模型简介（2学时）

1.1 什么是概率图模型？

1.2 概率图模型发展历程

1.3 概率图模型的表示、推理、学习

1.4 概率图模型的应用举例

2. 概率图模型的表示（4学时）

2.1 概率论与图论基础知识回顾

    2.1.1 概率论基础

    2.1.2 图论基础

2.2贝叶斯网络

    2.2.1 贝叶斯网络的定义

    2.2.2 贝叶斯网络的条件独立性

    2.2.3 贝叶斯网络实际案例

2.3马尔科夫随机场

    2.3.1 MRF的定义

    2.2.2 MRF的条件独立性

    2.2.3 MRF实际案例

3. 概率图模型的精确推理（4学时）

3.1 推理问题分类及意义

3.2 变量消元法

3.3 信念传播算法（BP算法）

3.4 团树传播算法

3.5 二值图切法

4. 概率图模型的近似推理（5学时）

4.1 BP算法的能量最小化解释

4.2 基于约束松弛和对偶分解的近似推理

    4.2.1 线性规划松弛

    4.2.2 对偶分解

    4.2.3 对偶子问题选择及等价约束分析

4.3 基于采样的近似推理

4.4 基于图切法的近似推理算法

5. 概率图模型的学习（2学时）

5.1 参数学习

5.2 结构学习

6. 概率图模型的应用（2学时）

6.1 条件随机场在自然语言处理中的应用

6.2 MRF在医学图像中的应用

【报名咨询】

1. 12月1日-29日，每周三、周六 晚7-9点授课；

2. 课程限报200人，报满即止；

3. 微信扫码添加助教书哲，即刻报名。

现在添加助教微信，备注“PGM”，即可免费领取PGM电子资料。