本模块包含机器学习总体框架中的一些基本概念，这些概念摘自 Coursera 上安德鲁-吴（Andrew Ng）教授的斯坦福课程。其中许多概念与我们在本课程中要解决的问题高度相关。

本模块讨论概率图形模型中最简单、最基本的学习问题：贝叶斯网络中的参数估计。我们将讨论最大似然估计及其问题。然后，我们将讨论贝叶斯估计及其如何改善这些问题。

在本模块中，我们将讨论马尔可夫网络--无向图模型--的参数估计问题。由于全局分割函数带来的问题，这项任务在概念上和计算上都比贝叶斯网络的参数估计复杂得多。

本模块讨论学习贝叶斯网络结构的问题。我们首先讨论如何将这一问题表述为图结构空间上的优化问题，以及有哪些好方法可以对不同结构进行评分，从而在数据拟合度和模型复杂度之间进行权衡。然后，我们将讨论如何求解优化问题：在少数情况下精确求解，在大多数其他情况下近似求解。

在本模块中，我们将讨论在某些数据中的某些变量不完全可观测的情况下学习模型的问题。我们将讨论为什么这种情况比完全可观测的情况复杂得多。然后，我们将介绍期望最大化（EM）算法，该算法被广泛应用于各种问题中。

本模块总结了从数据中学习概率图形模型时出现的一些问题。本模块还包含课程期末考试。

本模块包含对 PGM 方法的整体概述，讨论在实际中使用该框架时的一些现实世界的权衡。本模块涉及 PGM 全部三门课程的主题。