条件随机场入门

原著：
Conditional Random Fields: Probabilistic Models for Segmenting and Labeling Sequence Data 2001年

视频教程：
邹博（PS：７月算法里有很多算法视频公开课）

有向图模型（Directed Graphical Models，DGM），又称作贝叶斯网络（Bayesian Network），典型模型有：隐马尔科夫模型（生成式），最大熵马尔科夫模型（判别式）
无向图模型（Undirected Graphical Models，UGM），又称做马尔科夫网络（Markov Network）或马尔科夫随机场（Markov Random Field，MRF）
设$X=(x_{1},x_{2},x_{3},...,x_{n})$，$Y=(y_{1},y_{2},y_{3},...,y_{m})$都是联合随机变量，若随机变量Y构成一个无向图G=(V,E)表示的马尔科夫随机场，则条件概率分布P(Y|X)称为条件随机场。

PPT：
Joe Drish 2002
Rongkun Shen 2003
Brad Gulko and Stephanie Hyland 2014

资源：
条件随机场文献阅读指南
Introduction to Conditional Random Fields
如何推导条件随机场参数估计的全过程？