核心痛点与能力缺口
概率图模型（PGM）解决的核心痛点是“高维联合分布的表示与推断”。纯深度学习擅长拟合数据，但缺乏可解释性且难以处理缺失值；传统统计方法虽严谨，却难以应对复杂的非线性依赖。PGM 通过图结构将变量间的条件独立关系显式化，让你既能利用贝叶斯推理进行不确定性量化，又能借助图算法（如变量消除、团树算法）降低计算复杂度至可行范围。这门课填补的是：如何从结构化假设出发，高效地建模、推断和学习高维随机变量的联合分布，这是构建可解释 AI 和复杂系统建模的必备基石。
门槛要求与学习路径建议
先决条件：你必须熟练掌握线性代数（矩阵运算、特征值分解）和概率统计（条件概率、全概率公式、贝叶斯定理、多元正态分布性质）。若这些基础薄弱，建议先复习相关章节再入场。建议学习顺序：第一步，夯实基础，深入理解条件独立性、马尔可夫性质及其在图中的语义，这是后续所有算法的根基。第二步，攻克有向图，重点掌握贝叶斯网络的结构语义、联合分布分解及局部马尔可夫性。第三步，转向无向图，理解马尔可夫随机场、势函数与 Gibbs 分布的关系，注意区分有向与无向图在因分解解上的本质差异。第四步，核心算法，精研精确推断（变量消除、团树算法）和近似推断（吉布斯采样、变分推断），并学习参数学习（EM 算法、最大似然估计）。关键提醒：不要在图论定义上停滞，尽快进入代码实现，通过动手推导和编程来内化抽象概念。
学完能做什么与资料配合方法
独立产出：课程结束后，你能独立设计贝叶斯网络或条件随机场（CRF）模型，解决文本分类、生物序列标注、推荐系统等实际问题。具体包括：根据领域知识构建图结构、推导条件概率分布、编写精确或近似推断算法代码、利用观测数据学习模型参数。资料配合练习：必须手动推导至少三个经典案例（如天气预报、报警系统、医学诊断）的联合概率和条件概率，验证公式推导的准确性。务必运行代码，实现变量消除和吉布斯采样，对比精确解与近似解的误差，观察样本量对收敛性的影响。挑战扩展：尝试修改现有代码，实现简单的团树算法消息传递机制，或处理包含缺失值的推断问题。最终目标是能手写简化版 PGM 推理引擎，而非仅依赖现成库函数，从而真正理解算法背后的计算图谱。
