熵繁就简（一）开号缘由

大家好，我是Starz，跟第二栏的小编Jason一样，是一名普通的计算机系学生。开这个号的原因是为了记录些好玩好看的小知识：

目前主要分为两大块：

1. 《概率图模型》系列

2. 机器学习和深度学习的小知识

虽然以上内容会涉及到蛮多数学公式，但我们在阐述过程中会尽量做到生动活泼

鉴于两人的水平也有限，有写得不对的地方请大家多多打脸

1 《概率图模型》系列

1.1 概率图讲的啥

概率图模型（PGM）位于统计学和计算机科学的交叉点上，主要涉及了概率论、图算法还有机器学习相关知识。主要应用场景有医疗诊断、图像理解、语音识别和自然语言处理等[1]

PGM是一个内容相当丰富的框架，很多机器学习算法在这个框架的进行推导下显得通俗易懂。对比某些模型，在这个框架下的模型有更强的解释性，使模型更为可靠

对于解释性强的模型来说，除了会告诉你它的预测之外，它还会告诉你做出这个预测的理由；为了防止模型瞎猜，更严苛的模型还会要求给出推理过程

计算机视觉里有种任务叫目标识别（其实就是瞅瞅图里有啥），在目标识别这个任务中，有些模型勤勤恳恳，有些模型却整天想着浑水摸鱼

根据W. Samek[2]等人的汇报，在识别图片中是否有马的任务中，第一个模型（中图）将注意力都放在了左下角的水印:

放大来看是Pferde fotos，pferde 在德语里是“马匹”，fotos意思是“照片”

由此可见，靠谱的模型是多麽可贵

1.2 内容组织

《概率图模型》系列主要是参考来自南特大学Philippe LERAY教授《Probabilistic Graphical Models》的授课内容，内容组织如下：

• Probability Foundation (1) (jason)

• Probability Foundation (2) (starz)

• (Bayesian) Inference (jason)

• (Bayesian) Parameter Learning (starz)

• (Bayesian) Structure Learning (jason)

更新周期为每周一更

2 小知识系列

可能涉及的领域：

1. 本体学习

2. 知识图谱

3. 计算机视觉

4. 自然语言处理

这部分因为是目前在学的东西，分享的形式可能是论文笔记以及模型详解

3 写在后面

为了写一个透彻的小专题，小编往往要参考很多个信源，学习任务也比较繁重，可能更着更着我们就跑路了

但只要还在更新，我们就保证参考资料的透明性，只要是摘抄或翻译的部分我们都会详细标明出处；并且尽量做到少提概念，多聊直观理解

如果对我们的小作坊感兴趣的话不妨扫码关注，谢谢观看

[1]Probabilistic Graphical Models. Stanford University

[2]http://ce.sharif.edu/courses/97-98/1/ce717-1/resources/root/Lecture27/Tutorial-Interpretable-Machine-Learning-NIPS P106