在本模块中，我们将定义贝叶斯网络表示法及其语义。我们还将分析图结构与在该图上表示的分布的独立性之间的关系。最后，我们将给出一些实用技巧，说明如何将现实世界中的情况建模为贝叶斯网络。

在许多情况下，我们需要为具有重复结构的分布建模。在本模块中，我们将描述两种此类情况的表示方法。一种是时间性场景，我们需要对随时间变化而保持不变的概率结构进行建模；在这种情况下，我们使用隐马尔可夫模型，或者更普遍的动态贝叶斯网络。另一种是针对涉及多个类似实体的场景，每个实体的属性都受类似模型的控制；在这里，我们使用板块模型。

在贝叶斯网络中，基于表格的 CPD 表示法的大小会随着父代数量的增加而呈指数增长。有多种其他形式的 CPD 可以利用依赖模型中的某种结构来实现更紧凑的表示。在此，我们将介绍一些在实践中最常用的形式。

在本模块中，我们将介绍马尔可夫网络（又称马尔可夫随机场）：基于无向图表示的概率图模型。我们将讨论这些模型的表示及其语义。我们还分析了这些图所编码的分布的独立性特性及其与图结构的关系。我们将这些独立性与贝叶斯网络编码的独立性进行了比较，从而使我们对哪种类型的模型更适合哪些场景有了一些了解。

在本模块中，我们将讨论不确定情况下的决策任务。我们将描述决策理论的框架，包括效用函数的某些方面。然后，我们将讨论如何将决策情景编码为一种称为 "影响图 "的图形模型，以及这种模型如何为决策和信息收集的价值提供启示。

本模块概述了图形模型的表示方法，以及将场景建模为图形模型时的一些实际考虑因素。本模块还包括课程期末考试。