课程介绍
课程介绍
概率图模型是一类用图形模式表达基于概率相关关系的模型的总称。概率图模型结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布，主要包括马尔可夫随机场（MRF）、贝叶斯网络（BN）、因子图（FG）等。
作为不确定性推理的研究热点，概率图模型在自然语言处理、机器学习和计算机视觉等领域有广阔的理论研究价值与应用前景，比如，基于图优化的SLAM也是当下主流的研究热点。
深蓝学院联合清华大学博士正式推出『概率图模型理论与应用』课程，重点讲述概率图模型的表示、推理（精确推理和近似推理）以及学习。每个章节，课程都精心设计作业题目，以便于学员巩固课程知识。
【课程讲师】
董建家，清华大学自动化系博士，美国Cornell University访问学者，博士期间研究方向为概率图模型、机器学习、医学图像处理等，在IEEE Transactions on Medical Imaging，Magnetic Resonance in Medicine，Neurocomputing等国际顶级期刊和会议上共发表高水平论文13篇（ SCI检索论文7篇，EI检索论文6篇），申请专利20项。
【课程内容】
1. 概率图模型简介（2学时）
1.1 什么是概率图模型？
1.2 概率图模型发展历程
1.3 概率图模型的表示、推理、学习
1.4 概率图模型的应用举例
2. 概率图模型的表示（4学时）
2.1 概率论与图论基础知识回顾
2.1.1 概率论基础
2.1.2 图论基础
2.2贝叶斯网络
2.2.1 贝叶斯网络的定义
2.2.2 贝叶斯网络的条件独立性
2.2.3 贝叶斯网络实际案例
2.3马尔科夫随机场
2.3.1 MRF的定义
2.2.2 MRF的条件独立性
2.2.3 MRF实际案例
3. 概率图模型的精确推理（4学时）
3.1 推理问题分类及意义
3.2 变量消元法
3.3 信念传播算法（BP算法）
3.4 团树传播算法
3.5 二值图切法
4. 概率图模型的近似推理（5学时）
4.1 BP算法的能量最小化解释
4.2 基于约束松弛和对偶分解的近似推理
4.2.1 线性规划松弛
4.2.2 对偶分解
4.2.3 对偶子问题选择及等价约束分析
4.3 基于采样的近似推理
4.4 基于图切法的近似推理算法
5. 概率图模型的学习（2学时）
5.1 参数学习
5.2 结构学习
6. 概率图模型的应用（2学时）
6.1 条件随机场在自然语言处理中的应用
6.2 MRF在医学图像中的应用
【作业提交】
【报名方式】
本期课程限报200人，报满为止，添加工作人员书哲的微信（shenlanflying）咨询报名事宜。
【参考资料】
推荐教材及书籍
1) Koller D, Friedman N. Probabilistic Graphical Models: Principles and Techniques. MIT Press, 2009.
2) 王飞跃，韩素青的翻译版《概率图模型 - 原理与技术》.
3) J. Pearl. "Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference". Morgan Kaufmann. 1988 .
4) Christopher M. Bishop. “Pattern Recognition and Machine Learning”. Springer 2006.
综述
1) Wainwright M J, Jordan M I. Graphical Models, Exponential Families, and Variational Inference. Found. Trends Mach. Learn., 2008, 1:1–305.
2) 程强等，概率图模型中的变分近似推理方法，自动化学报，2014
3) 张宏毅，王立威，陈瑜希. 概率图模型研究进展综述，软件学报，2013
相关网站
1) http://pgm.stanford.edu/
2) http://www.cs.cmu.edu/~epxing/Class/10708/
第十二届亚太大学生机器人竞赛（ABU Robocon）国内选拔赛冠军；全国大学生电子设计竞赛控制组全国一等奖。