本模块介绍在图模型中进行精确推理的最简单算法：变量消除。我们将描述该算法，并根据图结构的特性分析其复杂性。

本模块描述了图形模型中精确推理的另一种观点：即簇间的信息传递，每个簇编码一个变量子集上的因子。这个框架为各种精确和近似推理算法提供了基础。在此，我们将重点介绍基本框架及其在簇树传播精确情况下的实例化。还有一门选修课介绍了循环信念传播（LBP）算法及其特性。

本模块介绍为编码为 PGM 的分布寻找最可能赋值的算法（这项任务称为 MAP 推断）。我们描述的消息传递算法与计算条件概率的算法非常相似，只是我们还需要考虑如何对结果进行解码，以构建单一赋值。在一个可选模块中，我们将介绍其他一些算法，这些算法能够利用 MAP 任务的组合优化特性，使用截然不同的技术。

在本模块中，我们将讨论一类使用随机抽样为条件概率查询提供近似答案的算法。其中最常用的是一类马尔可夫链蒙特卡罗（MCMC）算法，包括简单的吉布斯抽样算法以及称为 Metropolis-Hastings 的方法系列。

在这节简短的课程中，我们将讨论在动态贝叶斯网络中应用本课程前面所学的一些精确或近似推理算法的复杂性。

本模块总结了我们在本课程中涉及的一些主题，并讨论了不同算法之间的权衡。本模块还包括课程期末考试。