前 言
第2版亮点
● 该版新增一章,对部分可观察马尔可夫决策过程进行讲解,其中包括对此类模型的详细介绍、近似求解技术和应用示例。
● 因果模型由原来的一章扩展为两章。一章提及因果图,包括因果推理;另一章则展开介绍几种因果发现技术,并列举了应用示例。
● 该版还新增一章,介绍了深度神经网络及其与概率图模型的关系,分析了深度神经网络和概率图模型的不同集成方案,并举例说明了这些混合模型在不同领域的应用。
● 介绍其他类型的分类器,包括高斯朴素贝叶斯、循环链分类器和贝叶斯网络层次分类器。
● 在隐马尔可夫模型的章节中添加了高斯隐马尔可夫模型。
● 介绍一种学习贝叶斯网络时的迁移学习方法。
● 增加了包括粒子滤波在内的动态贝叶斯网络的采样技术。
● 该版增加了一种基于决策树转换来处理影响图的方法。
● 新增若干应用示例。
● 每一章的习题数量增加了50%。
● 应用书中描述的几种算法,为概率图模型的推理和学习开发了一个Python库。
概述
概率图模型已发展为一套强大技术,并在诸多领域得到广泛应用。本书从工程角度对概率图模型(PGM)做了总体介绍。本书涵盖主流PGM的基本知识点:贝叶斯分类器、隐马尔可夫模型、贝叶斯网络、动态和时态贝叶斯网络、马尔可夫随机场、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程,以及每一项的表示、推理和学习原理。本书还介绍PGM的一些拓展内容:关系概率模型、因果模型和混合模型。每种模型的应用示例也包含在其中。
一些主要内容如下:
● PGM的主要类别在各个专题中以统一的框架呈现。
● 本书涵盖基本内容:所有相关技术的表示、推理和学习方法。
● 本书阐释不同技术在实际问题中的应用,这对学生和从业者来说是重点。
● 本书还囊括该领域的一些最新发展成果,如多维和层次贝叶斯分类器、关系概率图模型、因果图模型和因果发现,以及混合深度神经网络图模型。
● 除第1章之外,每章都附有配套练习,包括对研究和规划项目的相关建议。
本书的目标之一在于推动概率图模型在现实问题中的应用。这不仅需要了解不同的模型和技术,还需要掌握一些实践经验和领域相关知识。为了帮助不同领域的专业人士,使其深入了解使用PGM解决实际问题的方法,本书提供了多个不同类型模型在众多领域的应用示例。这些领域包括:
● 计算机视觉
● 生物医学应用
● 工业应用
● 信息检索
● 智能教学系统
● 生物信息学
● 环境应用
● 机器人学
● 人机交互
● 信息验证
● 护理
致读者
本书可作为计算机科学、工程、物理等专业的高年级本科生或研究生的概率图模型课程的教材,也可供旨在将概率图模型应用于不同领域的专业人士参考,还适合任何对该技术基础知识感兴趣的人进行阅读。
本书更适合有概率和统计方面背景知识的读者。读者若具备高中阶段的数学基础知识,以及一定的计算机和程序设计背景知识,阅读起来会更加轻松。编程练习需要一些编程语言(如C、C++、Java、Python、MATLAB等)知识和经验。
练习
每章(第1章除外)均附有配套练习,其中一些练习有助于加强读者对本章概念和技巧的理解。每章中也有一些关于研究或编程项目的建议,可作为课程的项目。
软件
一些用于学习和推理不同类别概率图模型的算法已在Python中执行,且对外公开。附录中给出了Python库的简介以及访问方式。
本书组织结构
本书分为4部分:第Ⅰ部分给出PGM的总体介绍和动机,并回顾概率论和图论的必要背景知识;第Ⅱ部分描述不考虑决策或效用的模型:贝叶斯分类器、隐马尔可夫模型、马尔可夫随机场、贝叶斯网络、动态和时态贝叶斯网络;第Ⅲ部分首先简要介绍决策理论,然后描述支持决策的模型,包括决策树、影响图、马尔可夫决策过程和部分可观察马尔可夫决策过程;第Ⅳ部分对标准PGM进行了扩展,包括关系概率图模型和因果图模型(因果推理和因果发现),还对深度学习及其与PGM的关系进行介绍。
各章之间的关联如图0.1所示。从第X章到第Y章的“→”表示理解第Y章需要(或至少建议需要)首先学习第X章的内容。本书的图表示法提供了许多信息,与稍后将讨论的图模型相似。
从该图中,可了解阅读本书的不同方式。首先,建议你阅读导论和基本章节(第1~3章)。随后,你可以相对独立地研究第Ⅱ部分中的不同模型:贝叶斯分类器(第4章)、隐马尔可夫模型(第5章)、马尔可夫随机场(第6章)和贝叶斯网络(第7~9章)。在学习贝叶斯网络之前,有必要先阅读第7章;在研究动态和时态贝叶斯网络之前,第7章和第8章都需要提前学习。
学习第Ⅲ部分和第Ⅳ部分,需要事先阅读第Ⅱ部分的一些章节。对于包括决策树和影响图的第10章,读者至少应该阅读关于贝叶斯网络的前1章。对于第11章和第12章,其中包括惯序决策(MDP和POMDP),建议你预先了解决策图(第10章)、隐马尔可夫模型以及动态和时态贝叶斯网络。关系概率图模型(第13章)是有关马尔可夫随机场和贝叶斯网络的章节,学习该章节之前需要对第6章和第8章进行提前阅读。第14章中的因果模型是基于贝叶斯网络构建起来的,包括学习技术和因果推理。第15章的学习需要之前的因果模型知识。最后,第16章将对比深度学习和PGM,需要先学习动态和时态贝叶斯网络以及马尔可夫随机场。
图0.1 各章之间的关联
如果没有足够的时间来学习整本书,你有以下几种选择:一是关注概率图模型,而不考虑决策或更高级的扩展,即只关注第Ⅰ部分和第Ⅱ部分;二是侧重于决策模型,包括第Ⅰ部分以及第Ⅱ部分和第Ⅲ部分的必要内容;三是按需求来设计课程,只考虑图中的关系。不过,如果你有足够的时间和强烈的求知欲,我建议你按顺序通读本书。祝你阅读愉快!
参考文献
读者在阅读本书正文时,会不时看到放在方括号中的编号。例如,第1章正文中有[16],这表示可参考第1章的第16条文献。可扫描封底二维码,下载全书参考文献。
其他资源
读者可扫描封底二维码,下载词汇表、缩略语和符号。另外,读者可阅读附赠的书籍学习PGM_PyLib的相关内容。