461页 第十三章

上一章讲了贝叶斯规则，这一章的核心是贝叶斯网络，并在章首预告了第十五章会对贝叶斯网络进行扩展
第一小节图示了贝叶斯网络这一数据结构长什么样子
第二小节首先介绍了如何构建网络，如何用该网络进行推理，并且强调了构建网络的节点顺序会影响网络的复杂程度，并在 条件独立小节中引入了【马尔科夫覆盖】这个概念。
接着介绍了如何更高效的进行计算，比如使用【确定性节点】或者对【不确定节点】使用【噪声】减少变量个数
最后介绍了连续分布如何使用贝叶斯网络，并用【汽车保险】的例子进行了演示和总结
第三小节和第四小节分别计算了使用贝叶斯网络进行【精确推理】和【近视推理】
【精确推理】就是暴力枚举，可以使用类似动态规划的【变量消除】算法进行优化
【近似推理】就是模拟采样，首先介绍了效率很低的【拒绝采样】和【似然加权】（likelihood weighting）然后介绍了【马尔科夫链蒙卡罗特】（MCMC）所谓的链指的是，该算法先随机计算一个状态，然后以该状态为起点，按照一定规则，随机进行状态转移，就好像一条链子把这些状态给串联了起来。（这里提到，之前的模拟退火算法也是mcmc算法）
然后用 Gibbs 采样（按照公式随机） 和  Metropolis-Hasting 采样（类似模拟退火，分两个阶段）的例子解释了具体的规则
第五小节第四版新增的内容， 是图灵奖得奖者Judea Pearl 2018年在《The Book of Why》 新提出的概念 【因果网络】 本章介绍了 【 结构方程 】（structral equation）和 do 方法，并且介绍了，使用 结构方程 可以计算 do 方法对概率的影响。但是并没有说明为什么要了解这个影响，看得人一头雾水。https://www.zhihu.com/zvideo/1407009607919693824 这里给出来比较通俗易懂的解释，看完豁然开朗。
本章有大量证明算法正确的证明过程和算法复杂度的计算过程，其中公式信息密度偏高，感觉花上几个小时看懂了也记不住，所以全部跳过了，很担心后续的章节这样的内容会越来越多。。。
但愿不是~~