Chap 1

第一章, 作者试图说明以下几个问题
PGM跟传统几率模型的区别 : 因为graph存在如骨架般的structure, intrinsically 包含了很多的conditioanlly independent conditions,  大大减少了redundent variable. (作者称之为" annoying exceptions")
PGM首先是一个declarative representation, 脱离了具体algorithm的存在. 这也就是为什么PGM可以和几乎所有的ML方法相结合,本身又具有特殊的威力. (作者称之为"separation of knowledge & reasoning")
PGM 同时可以解决casuality relation (generative process)  和 correlations (no explicit generative process) 两种问题, 也就是PGM的两种基本结构
representation, inference, learning 是intelligent system 的三大基石, 作者比喻成"reasonable encoding, how to answer questions of interest, 和 how to achieve the distribution, combining expert knowledge & accumulated data"