Polly Study PRIS

本文的主题是“贝叶斯网络”（Bayesian Network）        贝叶斯网络是一个典型的图模型，它对感兴趣变量（variables of interest）及变量之间的关系（relationships）进行建模。当将贝叶斯模型与统计技术一起使用时，这种图模型分析数据具有如下几个优势：(1)    贝叶斯学习能够方便的处理不完全数据。例如考虑具有相关关系的多个输入变量的分类或

一 课程基本信息          本课程是由Prof.Daphne Koller主讲，同时得到了Prof. Kevin Murphy的支持，在coursera上公开传播。在本课程中，你将学习到PGM（Probabilistic Graphical Models）表示的基本理论，以及如何利用人类自身的知识和机器学习技术来构建PGM；还将学习到使用PGM算法来对有限、带噪声的证据提取结论

实习：1. 方正 创新工程中心 140/day2. NEC中国

介绍朴素贝叶斯分类器的文章已经很多了。本文的目的是通过基本概念和微小实例的复述，巩固对于朴素贝叶斯分类器的理解。一 朴素贝叶斯分类器基础回顾        朴素贝叶斯分类器基于贝叶斯定义，特别适用于输入数据维数较高的情况。虽然朴素贝叶斯分类器很简单，但是它确经常比一些复杂的方法表现还好。

通过上一篇文章的介绍，我们已经基本了解了：Factor是组成PGM模型的基本要素；Factor之间的运算和推理是构建高维复杂PGM模型的基础。那么接下来，我们将重点理解，Factor之间的推理（Reasoning Patterns）。Factor之间的推理分为以下几类：1. Causal Reasoning ， 因果推理；2. Evidential Reasoning，证据推理；3

废话：和上一次的文章确实隔了太久，希望趁暑期打酱油的时间，将之前学习的东西深入理解一下，同时尝试用Python写相关的机器学习代码。通过上一篇文章的介绍，相信大家对PGM的定义和大致应用场景有了粗略的了解。那么接下来我们来深入了解下PGM。首先要介绍的是Probabilistic models（概率模型），常用来描述不同的随机变量之前的关系，主要针对变量或变量间的相互不确定性的概率

之前自己做实验也用过MRF（Markov Random Filed，马尔科夫随机场），基本原理理解，但是很多细节的地方都不求甚解。恰好趁学习PGM的时间，整理一下在机器视觉与图像分析领域的MRF的相关知识。         在机器视觉领域，一个图像分析问题通常被定义为建模问题，图像分析的过程就是从计算的观点来求解模型的过程。一个模型除了可以表达成图形的形式外，通常使用一个目标函数来表示，因此建