Probabilistic Graphical Models

Most tasks require a person or an automated system to reason--to reach conclusions based on available information. The framework of probabilistic graphical models, presented in this book, provides a general approach for this task. The approach is model-based, allowing interpretable models to be constructed and then manipulated by reasoning algorithms. These models can also be l...

(展开全部)

Most tasks require a person or an automated system to reason--to reach conclusions based on available information. The framework of probabilistic graphical models, presented in this book, provides a general approach for this task. The approach is model-based, allowing interpretable models to be constructed and then manipulated by reasoning algorithms. These models can also be learned automatically from data, allowing the approach to be used in cases where manually constructing a model is difficult or even impossible. Because uncertainty is an inescapable aspect of most real-world applications, the book focuses on probabilistic models, which make the uncertainty explicit and provide models that are more faithful to reality. Probabilistic Graphical Models discusses a variety of models, spanning Bayesian networks, undirected Markov networks, discrete and continuous models, and extensions to deal with dynamical systems and relational data. For each class of models, the text describes the three fundamental cornerstones: representation, inference, and learning, presenting both basic concepts and advanced techniques. Finally, the book considers the use of the proposed framework for causal reasoning and decision making under uncertainty. The main text in each chapter provides the detailed technical development of the key ideas. Most chapters also include boxes with additional material: skill boxes, which describe techniques; case study boxes, which discuss empirical cases related to the approach described in the text, including applications in computer vision, robotics, natural language understanding, and computational biology; and concept boxes, which present significant concepts drawn from the material in the chapter. Instructors (and readers) can group chapters in various combinations, from core topics to more technically advanced material, to suit their particular needs.

致谢
插图目录
算法目录
专栏目录
第1章 引言
1.1 动机
· · · · · · (更多)

致谢
插图目录
算法目录
专栏目录
第1章 引言
1.1 动机
1.2结构化概率模型
1.2.1概率图模型
1.2.2表示、推理、学习
1.3概述和路线图
1.3.1各章的概述
1.3.2读者指南
1.3_3与其他学科的联系
1.4历史注记
第2章基础知识
2.1 概率论
2.1.1概率分布
2.1.2概率中的基本概念
2.1.3随机变量与联合分布
2.1.4独立性与条件独立性
2.1.5查询一个分布
2.1.6连续空间
2.1.7期望与方差
2.2 图
2.2.1 节点与边
2.2.2 子图
2.2.3 路径与迹
2.2.4圈与环
2.3相关文献
2.4 习题
第Ⅰ部分表 示
第3章 贝叶斯网表示
3.1独立性性质的利用
3.1.1随机变量的独立性
3.1.2条件参数化方法
3.1.3朴素贝叶斯模型
3.2 贝叶斯网
3.2.1学生示例回顾
3.2.2 贝叶斯网的基本独立性
3.2.3 图与分布
3.3 图中的独立性
3.3.1 d.分离
3.3.2可靠性与完备性
3.3.3 d.分离算法
3.3.4 1.等价
3.4从分布到图
3.4.1 最小I—map
3.4.2 P—map
3.4.3 发现P—map
3.5 小结
3.6相关文献
3.7 习题
第4章无向图模型
4.1 误解示例
4.2 参数化
4.2.1因子
4.2.2吉布斯分布与马尔可夫网
4.2.3简化的马尔可夫网
4.3马尔可夫网的独立性
4.3.1基本独立性
4.3.2独立性回顾
4.3.3从分布到图
4.4参数化回顾
4.4.1细粒度参数化方法
4.4.2过参数化
4.5 贝叶斯网与马尔可夫网
4.5.1 从贝叶斯网到马尔可夫网
4.5.2从马尔可夫网到贝叶斯网
4.5.3 弦图
4.6部分有向模型
4.6.1条件随机场
4.6.2链图模型
4.7总结与讨论
4.8相关文献
4.9 习题
第5章局部概率模型
5.1 CPD表
5.2确定性CPD
5.2.1 表示
5.2.2独立性
5.3特定上下文CPD
5.3.1 表示
5.3.2独立性
5.4因果影响的独立性
5.4.1 Noisy—or模型
5.4.2广义线性模型
5.4.3一般公式化表示
5.4.4独立性
5.5连续变量
5.5.1混合模型
5.6条件贝叶斯网
5.7总结
5.8相关文献
5.9习题
第6章基于模板的表示
6.1引言
6.2时序模型
6.2.1基本假设
6.2.2动态贝叶斯网
6.2.3状态—观测模型
6.3模板变量与模板因子
6.4对象—关系领域的有向概率模型
6.4.1 Plate模型
6.4.2概率关系模型
6.5无向表示
6.6结构不确定性
6.6.1关系不确定性
6.6.2对象不确定性
6.7小结
6.8 相关文献
6.9习题
第7章高斯网络模型
7.1 多元高斯分布
7.1.1基本参数化方法
7.1.2高斯分布的运算
7.1.3高斯分布的独立性
7.2高斯贝叶斯网
7.3 高斯马尔可夫随机场
7.4 小结
7.5相关文献
7.6习题
第8章指数族
8.1 引言
8.2 指数族
8.2.1线性指数族
8.3因式化的指数族（factored exponential families）
8.3.1乘积分布（product distributions）
8.3.2 贝叶斯网
8.4熵和相对熵
8.4.1 熵
8.4.2相对熵
8.5 投影
8.5.1 比较
8.5.2 M.投影
8.5.3 I—投影
8.6 小结
8.7相关文献
8.8 习是亟
第Ⅱ部分推 理
第Ⅲ部分学习
第Ⅳ部分行为与决策
· · · · · · (收起)