【2021新书】概率图模型：原理与应用，370页pdf

这新版本的教科书/参考提供了从工程的角度对概率图模型(PGMs)的介绍。它提供了关于马尔科夫决策过程、图模型和深度学习的新材料，以及更多的练习。

这本书涵盖了PGM的每个主要类的基础知识，包括表示、推理和学习原理，并回顾了每种类型的模型的实际应用。这些应用来自广泛的学科，突出了贝叶斯分类器、隐藏马尔可夫模型、贝叶斯网络、动态和时间贝叶斯网络、马尔可夫随机场、影响图和马尔可夫决策过程的许多使用。

概率图模型(PGMs)及其在不确定性下进行智能推理的应用出现于20世纪80年代的统计和人工智能推理领域。人工智能的不确定性(UAI)会议成为这一蓬勃发展的研究领域的首要论坛。20岁的时候，我在圣何塞的UAI-92大学第一次见到了恩里克·苏卡——我们都是研究生——在那里，他展示了他关于高层次视觉推理的关系和时间模型的研究成果。在过去的25年里，Enrique对我们的领域做出了令人印象深刻的研究贡献，从客观概率的基础工作，到开发时态和事件贝叶斯网络等高级形式的PGMS，再到PGMS的学习，例如，他的最新研究成果是用于多维分类的贝叶斯链分类器。

概率图模型作为一种强大而成熟的不确定性推理技术已被广泛接受。与早期专家系统中采用的一些特殊方法不同，PGM基于图和概率论的强大数学基础。它们可用于广泛的推理任务，包括预测、监测、诊断、风险评估和决策。在开源软件和商业软件中有许多有效的推理和学习算法。此外，它们的力量和功效已通过其成功应用于大量现实世界的问题领域而得到证明。Enrique Sucar是PGM作为实用和有用技术建立的主要贡献者，他的工作跨越了广泛的应用领域。这些领域包括医学、康复和护理、机器人和视觉、教育、可靠性分析以及从石油生产到发电厂的工业应用。