概率图形模型（PGM）是一个丰富的框架，用于编码复杂领域的概率分布：大量随机变量相互作用的联合（多变量）分布。这些表示法处于统计学和计算机科学的交叉点，依赖于概率论、图算法、机器学习等概念。它们是医疗诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。

本课程是三门课程中的第二门。第一门课程的重点是表征，本课程将讨论概率推理问题：如何使用 PGM 来回答问题。尽管 PGM 通常描述的是一个维度非常高的分布，但其结构的设计是为了能够高效地回答问题。课程针对不同类型的推理任务介绍了精确算法和近似算法，并讨论了每种算法的最佳应用场合。强烈推荐）荣誉方向包含两个动手编程作业，其中最常用的精确算法和近似算法的关键例程将被实施并应用到实际问题中。

概率图形模型（PGM）是一个丰富的框架，用于编码复杂领域的概率分布：大量随机变量相互作用的联合（多变量）分布。这些表示法处于统计学和计算机科学的交叉点，依赖于概率论、图算法、机器学习等概念。它们是医疗诊断、图像理解、语音识别、自然语言处理等各种应用中最先进方法的基础。它们也是提出许多机器学习问题的基础工具。

本课程是三门课程中的第三门。第一门课程的重点是表示，第二门课程的重点是推理，本课程将讨论学习问题：如何从实例数据集中学习 PGM。课程讨论了有向和无向模型中参数估计的关键问题，以及有向模型的结构学习任务。强烈推荐）荣誉赛道包含两个动手编程作业，其中实施了两种常用学习算法的关键例程，并将其应用到实际问题中。