第2章 概率论与机器学习模型原理_第7节-概率图模型基础.pdfVIP

七、概率图模型基础

7.1HMM：评估、解码、学习问题与算法学

7.1.1什么是HMM？数

修

7.1.2三⼤基本问题必

习

7.1.3Python实现学

器

7.1.4总结机

-

壮

7.2最⼤似然vsEM推导大

s

o

c

7.2.1为什么要引⼊EM？

7.2.2两种参数估计⽅式的核⼼差异

7.2.3MLE推导过程

7.2.4EM算法：解决含隐变量的似然最⼤化问题

7.2.5推导：⾼斯混合模型中的EM

7.2.6总结对⽐

7.2.7衍⽣应⽤场景

7.3⻉叶斯⽹络的初步引⼊

7.3.1什么是⻉叶斯⽹络（BayesianNetwork）

7.3.2概率因⼦分解原则

7.3.3条件独⽴与结构含义

7.3.4构建与学习⻉叶斯⽹络学

7.3.5推理：已知部分变量，推断未知变量数

7.3.6Python示例：简单⻉叶斯⽹络建模修

必

7.3.7总结要点习

学

器

机

-

壮

大

s

o

c

七、概率图模型基础

7.1HMM：评估、解码、学习问题与算法

7.1.1什么是HMM？

HMM（HiddenMarkovModel）是⼀种⽣成式时序模型，⽤于建模具有“潜在状态转移过程+可观测输出”的系

统。适⽤于：语⾳识别、⽂本标注、⾦融建模、⽣物信息等任务。

模型结构学

数

HMM是⼀个五元组：修

必

习

学

器

机

-