科勒、弗里德曼编著的《概率图模型原理与技术》针对“图模型”中的关键四个问题：表示、推断、学习和决策，对每个问题分别进行了详细的描述：从问题的提出到解决这些问题的已有方法，这为研究者了解“图模型”方法提供了方便。可作为高等学校和科研单位从事人工智能、机器学习、模式识别、信号处理等方向的学生、教师和研究人员的教材和参考书。

概率图模型将概率论与图论相结合，是当前非常热门的一个机器学习研究方向。科勒、弗里德曼编著的《概率图模型原理与技术》详细论述了有向图模型（又称贝叶斯网）和无向图模型（又称马尔可夫网）的表示、推理和学习问题，全面总结了人工智能这一前沿研究领域的最新进展。为了便于读者理解，书中包含了大量的定义、定理、证明、算法及其伪代码，穿插了大量的辅助材料，如示例（examples）、技巧专栏（skill boxes）、实例专栏（case study boxes）、概念专栏（concept boxes）等。另外，在第2章介绍了概率论和图论的核心知识，在附录中介绍了信息论、算法复杂性、组合优化等补充材料，为学习和运用概率图模型提供了完备的基础。

本书可作为高等学校和科研单位从事人工智能、机器学习、模式识别、信号处理等方向的学生、教师和研究人员的教材和参考书。

致谢

插图目录

算法目录

专栏目录

第1章 引言

第2章 基础知识

第Ⅰ部分 表示

 第3章 贝叶斯网表示

 第4章 无向图模型

 第5章 局部概率模型

 第6章 基于模板的表示

 第7章 高斯网络模型

 第8章 指数族

第Ⅱ部分 推理

 第9章 精确推理：变量消除

 第10章 精确推理：团树

 第11章 作为优化的推理

 第12章 基于粒子的近似推理

 第13章 最大后验概率推理

 第14章 混合网络中的推理

 第15章 时序模型中的推理

第Ⅲ部分 学习

 第16章 图模型学习：概述

 第17章 参数估计

 第18章 贝叶斯网中的结构学习

 第19章 部分观测数据

 第20章 学习无向模型

第Ⅳ部分 行为与决策

 第21章 因果关系

 第22章 效用和决策

 第23章 结构化决策问题

 第24章 结束语

附录A 背景材料

参考文献

符号索引

主题索引