知乎問題：概率圖模型是否有必要系統地學習
概率圖模型（PGM）是用圖來表示變數概率依賴關係的理論。自被圖靈獎獲得者Pearl提出以來，已成為不確定性推理近10年的研究熱點，在統計機器學習、計算機視覺和自然語言處理等領域有廣闊的應用前景，比如隱馬爾可夫模型是語音識別的支柱模型，高斯混合模型及其變種K-means是數據聚類的最基本模型，條件隨機場廣泛應用於自然語言處理（如詞性標註，命名實體識別）等。
PGM作為機器學習的重要框架，奠定了統計機器學習的基礎。在深度學習的統治江湖的時代，概率圖模型有沒有必要系統學習一下呢？知乎上這個問題獲得了19萬的瀏覽量，大家在強調PGM重要性的同時，將其譽為最優美的機器學習框架之一，系統學習PGM是深入理解機器學習發展脈絡與知識體系的必備基礎。
遺憾的是，目前國內還沒有概率圖模型的中文開放課程，為大家深入學習帶來了較大困難。近期，專註於AI在線教育的深藍學院聯合Cornell University訪問學者、清華大學博士董建家正式推出全網獨家中文課程——
『概率圖模型：理論與應用』
課程。課程通過視頻授課與微信群直接答疑的形式，帶你領略PGM的優美。【課程講師】
董建家
，清華大學自動化系博士，美國Cornell University訪問學者，博士期間研究方向為概率圖模型、機器學習、醫學圖像處理等，在IEEE Transactions on Medical Imaging，Magnetic Resonance in Medicine，Neurocomputing等國際頂級期刊和會議上共發表高水平論文13篇（ SCI檢索論文7篇，EI檢索論文6篇），申請專利20項。
【課程目錄】
1. 概率圖模型簡介（2學時）
1.1 什麼是概率圖模型？
1.2 概率圖模型發展歷程
1.3 概率圖模型的表示、推理、學習
1.4 概率圖模型的應用舉例
2. 概率圖模型的表示（4學時）
2.1 概率論與圖論基礎知識回顧
2.1.1 概率論基礎
2.1.2 圖論基礎
2.2貝葉斯網路
2.2.1 貝葉斯網路的定義
2.2.2 貝葉斯網路的條件獨立性
2.2.3 貝葉斯網路實際案例
2.3馬爾科夫隨機場
2.3.1 MRF的定義
2.2.2 MRF的條件獨立性
2.2.3 MRF實際案例
3. 概率圖模型的精確推理（4學時）
3.1 推理問題分類及意義
3.2 變數消元法
3.3 信念傳播演算法（BP演算法）
3.4 團樹傳播演算法
3.5 二值圖切法
4. 概率圖模型的近似推理（5學時）
4.1 BP演算法的能量最小化解釋
4.2 基於約束鬆弛和對偶分解的近似推理
4.2.1 線性規劃鬆弛
4.2.2 對偶分解
4.2.3 對偶子問題選擇及等價約束分析
4.3 基於採樣的近似推理
4.4 基於圖切法的近似推理演算法
5. 概率圖模型的學習（2學時）
5.1 參數學習
5.2 結構學習
6. 概率圖模型的應用（2學時）
6.1 條件隨機場在自然語言處理中的應用
6.2 MRF在醫學圖像中的應用
【報名諮詢】
1. 12月1日-29日，每周三、周六 晚7-9點授課；
2. 課程限報200人，報滿即止；
3. 微信掃碼添加助教書哲，即刻報名。
現在添加助教微信，備註
「PGM」
，即可免費領取PGM電子資料。
