在本文中，基于Daphne Koller完成课程。
PDM(ProbabilisticGraphiccal Models)
称为概率图模型。
以下分别说明3个词相应的意义。
概率
-给出了不确定性的明白量度。
-给出了依据不确定性进行判断的有力工具。
-利用数据结构，建立了进行学习的方法，解决十分大规模的问题。
图
这里主要用到2种概率图，用于表示依赖关系。如图1所看到的。
图1
1.Bayesiannetworks
贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG)。
由代表变量节点及连接这些节点有向边构成。
节点代表随机变量。节点间的有向边代表了节点间的互相关系(由父节点指向其子节点)，用条件概率进行表达关系强度，没有父节点的用先验概率进行信息表达。
2.Markovnetworks
马尔可夫网络是一个无向图。
一方面它能够表示贝叶斯网络无法表示的一些依赖关系，如循环依赖；
还有一方面。它不能表示贝叶斯网络可以表示的某些关系，如推导关系。
图形表示的长处
1.直观而紧凑的数据结构。
2.利用图形结构，提供了一套使用通用算法进行高效判断的方式。
3.能够用非常少的參数表示高维的概率分布。
參数的选择能够用手工也能够从数据中学习。
模型
模型是客观世界的陈述性描写叙述。
举2个简单应用样例
1.医疗诊断（如图2所看到的）
医生面对病人时脑子里有大量的信息，这些信息都是关于怎样诊断病人的指标（如发病诱因、症状、体检结果等等），医生如今须要决定究竟应当怎样施治。
图2就是一个真实的诊断网络。
图2
2.图像切割（如图3所看到的）
一副图片有成千上万个像素点或者超像素（大块的那种），须要弄清每一个像素相应的内容（这些点相应的是草、天空、牛还是？）。
图中的点是随机变量，代表了像素（或者超像素）的标签，而边则代表了标签与邻近标签之间的概率关系。能够看出State of Art 的机器学习算法识别得一团糟，可是运用了PGM之后好太多了。
图3
这两个问题有什么共同点呢？
1.都包括了大量须要被判断的变量。
2.基本上。不论算法多么智能。是否能得到正确答案，都是很不确定的。
PGM的提出就是为了解决上述问题的框架。
有很广泛的应用如图4。
图4
家用的诊断系统
孩子生了病，家长在站点上描写叙述病状，系统对家长提出问题。家长在回答了系统的问题之后，系统会给出孩子最有可能得的疾病。如图5所看到的。
图5
文本信息提取
将非结构型结构转成为文本中各种关键点（如人、地点、组织）之间的可能关系的表示。
如图6所看到的。
Mrs. Green这是两个词。可是要求一起识别；Green是一个词可是要识别出来它代表的是一个人，以及地点、组织等的都要通过相互之间的概率关系识别出来。如图6所看到的。
图6
总结
PGM是要做3件基本的事情：
1.表达
使用无向图和有向图进行表达。
使用动态和静态模型进行表达。
2.判断
精确判断和模糊判断（寻求计算效率和计算精度的妥协）
在不确定性状态下进行决策。
3.学习
自己主动学习參数和结构
有全然数据情形和非全然数据情形。
欢迎參与讨论并关注本博客和微博以及知乎个人主页，兴许内容继续更新哦~
转载请您尊重作者的劳动，完整保留上述文字以及本文链接，感谢您的支持。
版权声明：本文博主原创文章，博客，未经同意不得转载。