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)
图模型或者概率图模型（Probabilistic Graphical Model）, 是每个机器学习领域数据科学家的必备工具. 今天的终极入门我们讲解斯坦福教授Daphne Koller 概率图模型在coursera上的教程. 简洁地把要点拿出来分享给大家.
概率图模型是用图来表示变量概率依赖关系的理论。因为概率的依赖关系可以是单向的, 也可以是双向的, 所以概率图模型可以是有向无环图(如贝叶斯网络), 也可以是双向的有环图(如马尔可夫网络) . 继续阅读Stanford教授Daphne Koller 概率图模型 — 终极入门 第一讲 有向图模型与贝叶斯网络基础
