如果不再假设一个分布的参数是固定的，而是去寻找这个参数可能的分布，就可以理解超参数的意义 — David 9
A/B测试一直是David 9想cover的知识点，今天又邂逅一篇相关文章：“tl;dr Bayesian A/B Testing with Python”。于是今天决定讲解一下如何“用python做贝叶斯A/B测试”。所以，现在，两个重要的知识点是 A/B 测试 和 “共轭先验”。
关于A/B测试，其实概念非常简单，简单来说，就是为同一个目标制定两个方案（比如两个页面），让一部分用户使用 A 方案，另一部分用户使用 B 方案，记录下用户的使用情况，看哪个方案更符合设计。A/B测试已经在Web上得到广泛的应用，可以用于增加转化率注册率等网页指标[3].
很显然，A方案的转化率可以看作一个二项分布：
贝叶斯网络中的一些基本直觉，不能直接使用到马尔可夫网络 — David 9
上一讲, 我们介绍了模板模型, 今天我们要把注意力放到无向图模型，以及马尔可夫网络 (Markov Networks). 事实上之所以叫做无向图模型，只是因为概率图中的边可以是双向的：
这里的Φ1[A, B] 称为一个factor(因素)。但是Φ1[A, B]并不是有用的分布。如上图， Φ1[A, B]只是代表AB边之间各种组合的概率，并不是A和B联合概率。因为A和B联合概率的取值同时也被C和D影响（仅仅一条边的情况不能说明问题）。
另外，不要以为 P = Φ1(A, B) * Φ2(B, C) * Φ3(C, D) * Φ4(A, D) 就是这个图的联合概率。 继续阅读Stanford教授Daphne Koller 概率图模型 — 终极入门 第三讲 马尔可夫网络 (Markov Networks)
模板模型 , 是机器学习模型进行时空上复制的一种有效方法 — David 9
接着上一讲, 有向图模型与贝叶斯网络基础, 这一讲我们关注模板模型 (Template Models). “模板模型”在机器学习领域, 并非常用的术语, 但是在许多概率图模型中, 都有”模板模型”的影子.
所以, “模板模型”这样有价值的概率图模型抽象思想, 值得用一篇文章来解释解释.
首先, 模板模型 (Template Models)顾名思义, 是用模板的思维建立出的模型. 许多非常复杂的图模型, 事实上是可以简化的. 简化时, 通过共享通用的变量, 通用的概率图结构, 可以归纳出通用的模板模型, 达到类似复用的效果.
还记得我们讲过的动态主题模型 ? 动态主题模型正是在不同的时间点上, 复制主题模型的. 这里, 主题模型就是一个模型模型. 模版模型描述了模版变量如何从模版中继承依赖关系，同样应用的典型例子有: 动态贝叶斯模型DBN、隐马尔科夫模型HMM, 及盘模型Plate Models。
在来看一下课程试题, 加深对模板模型的印象:
继续阅读Stanford教授Daphne Koller 概率图模型 — 终极入门 第二讲 模板模型 (Template Models)
