Stanford AI 课程地图 EN GitHub ↗
← 返回课程地图
Stanford · 2026—27 CS 228 基础核心 ★★★★☆

核心课程 · 基础核心

概率图模型

Probabilistic Graphical Models: Principles and Techniques

概率图模型的系统课:表示、推断、学习三件套,是理解贝叶斯方法和结构化预测的基础。

3–4 学分 2026–27 未排课 Letter or Credit/No Credit ★★★★☆
概率图模型贝叶斯

2026-27 学年未在 ExploreCourses 排课。

课程定位

CS 228 是经典的 PGM 课程,覆盖 Bayesian/Markov network、HMM、精确与近似推断、参数/结构学习。它提供的“用图结构编码不确定性”的思维方式,对 NLP、计算生物、因果推断和机器人都有长期价值。

主要内容

  1. 表示:贝叶斯网络、马尔可夫网络、因子图
  2. 精确推断:变量消元、信念传播、junction tree
  3. 近似推断:变分推断、MCMC、重要性采样
  4. 参数学习:MLE、EM、隐变量模型
  5. 结构学习:评分搜索、约束方法
  6. 时序模型:HMM、动态贝叶斯网络
  7. 应用:语音、生物、医疗诊断、视觉、机器人规划

课程大纲 / 课件

#主题 / 讲者
01Introduction, Probability Theory, Bayesian Networks
02Undirected models
03Learning Bayes Nets
04Exact Inference; Message Passing
05Sampling
06MAP Inference; Structured prediction
07Parameter Learning
08Bayesian Learning; Structure Learning
09Exponential families; variational inference
10Advanced topics and conclusions

以 Winter 2023-24 公开 syllabus 整理;当前学期以课程站为准。

先修

基础概率论;算法设计与分析。

考核与工作量

作业 + 期中 + 项目;偏数学与实现结合。具体以当季官网为准。

适合谁

想做概率建模、因果、贝叶斯深度学习的人;NLP/计算生物/机器人中需要处理不确定性的研究者。

学习建议

和 CS 229 互补:229 偏预测,228 偏“结构化不确定性”。变量消元和 VI 建议手推一遍。

相关课程

官方课程描述(英文原文)

Probabilistic graphical modeling languages for representing complex domains, algorithms for reasoning using these representations, and learning these representations from data. Topics include: Bayesian and Markov networks, extensions to temporal modeling such as hidden Markov models and dynamic Bayesian networks, exact and approximate probabilistic inference algorithms, and methods for learning models from data. Also included are sample applications to various domains including speech recognition, biological modeling and discovery, medical diagnosis, message encoding, vision, and robot motion planning. Prerequisites: basic probability theory and algorithm design and analysis.