干货 _ 非常详细的有向图模型与无向图模型原理总结.pdfVIP

2020/2/16 干货 | 非常详细的有向图模型与无向图模型原理总结 干货 | 非常详细的有 向图模型与无向图模型原理总结 原创 石头 机器学习算法那些事 2019-12-23 本文是小编结合了多个图模型的经典文章所作的一个总结 ，对于一谈到图模型和马尔科夫知识就产生厌恶的 同学 ，本文会带你循序渐进的去理解图模型的算法原理。 目录 1. 为什么要用有 向图模型和无 向图模型 2. 有 向图模型的条件独立概率表示方法 3. 无 向图模型的条件独立概率表示方法 4. 有 向图模型举例——贝叶斯 网络 5. 有 向图模型举例—— 隐马尔科夫模型 6. 无 向图模型举例——马尔科夫随机场 7. 小结 概率建模在机器学习领域有着广泛的应用 ，如贝叶斯分类、隐马尔可夫模型和条件随机场。 在实际的人工智能项 目中 ，我们常常面对高维空间的特征 ，若以概率的角度去构建机器学习模型 ，你首先需 要做的就是分析高维特征空间的联合概率 举例来说 ，对于 K维 随机 向量 ，其联合概率为高维空 间的分布 ，一般难以建模 。假 设每个随机变量为离散值并有 m个取值 ，下面开始介绍如何估计随机 向量X的联