2020年概率图模型系统学习中文课程（PGM）共六章

这门课解决什么问题，为什么值得学

概率图模型（PGM）是机器学习里连接概率论与图论的桥梁，核心任务是：用图结构表达观测数据与隐含知识之间的依赖关系，从而得到可计算的概率分布。很多人学 ML 容易停留在“调包训练”，遇到需要显式建模不确定性、多变量耦合、缺失数据或因果推断的场景就卡住，而这正是 PGM 擅长处理的领域。它的价值不在于炫技，而在于让复杂问题的结构变得可读、可推、可学。

这套课程定位为系统入门，按六章展开，配套十周的学习节奏，建议每周投入至少四小时。它试图回答的是：如何从数据里挖出隐含规律、如何用 inference 做预测与解释、如何用 learning 把模型参数从数据中学出来。对于想要搭建更结构化 AI 系统、或者准备深入生成模型/贝叶斯方法/因果方向的读者来说，这是一个把直觉落到数学和算法上的扎实起点。

适合什么基础，先从哪里入手

建议具备线性代数、概率统计基础和 Python 编程能力，最好接触过监督学习的基本概念，否则直接进图模型会被抽象公式压住。如果你属于“有应用经验、但理论骨架薄弱”的上班族或转行者，这套课更适合你用来补结构；如果你已经有较完整的概率统计底子，可以把重心放在推理算法和模型选择上。

开篇几章通常是建立“图=变量+边=条件依赖”的直觉，并引入贝叶斯网络、马尔可夫网络这些基本表示。建议先从这里打通：理解有向/无向图的语义差异、掌握条件独立与因式分解的关系、熟悉链式法则在图里的表现。接下来再进入 inference 与 learning 的主线，前者解决“给定模型和观测，怎么算目标分布”，后者解决“怎么从数据里拟合模型”。

学完能独立做什么，资料怎么配合练习

学完之后，你应该能够独立完成以下事情：把一个实际场景抽象成概率图模型；在小规模问题上实现并对比精确推理与近似推理的效果；基于观测数据完成参数估计或结构学习的基本流程；能用模型解释变量间关系，而不是只看训练误差。也就是说，你能从“会跑代码”进阶到“会设计可解释的生成/判别模型”。

配合资料练习时，先把课堂推导的公式用手算或手写推导验证一遍，尤其是条件独立、联合分布因式分解、以及常见推理算法的边界情况。然后用代码复现基础模型，从简单离散变量开始，逐步过渡到连续变量和混合结构。练习顺序建议是：先 inference 后 learning，先固定结构后尝试结构学习，先小规模验证再扩展到中等规模数据。遇到卡点，回到图的结构定义去检查假设，而不是直接换工具。