课程主页: https://www.coursera.org/learn/probabilistic-graphical-models-3-learning
概率图模型（PGMs）是一个丰富的框架，用于在复杂领域中编码概率分布，即多个随机变量之间相互作用的联合（多元）分布。本课程主要集中于PGMs的学习任务，深入探讨如何在各种应用中利用这些模型，例如医疗领域。
课程包括多个模块，首先是对概率图模型学习任务的概述，接着回顾了来自于Andrew Ng教授的机器学习课程的一些基本概念，为后续课程内容奠定基础。
接下来的模块专注于贝叶斯网络中的参数估计，讲解了最大似然估计及其问题，同时介绍了贝叶斯估计如何改善这些问题。在无向模型学习模块中，课程探讨了马尔科夫网络的参数估计，强调了其概念和计算上的复杂性。
此外，课程还涉及到贝叶斯网络结构的学习，讨论了如何将这个问题建模为图结构空间上的优化问题，以及如何在数据拟合和模型复杂性之间进行权衡。对于包含不完全数据的学习，课程介绍了期望最大化（EM）算法，以应对某些情况下变量未完全观察的问题。
课程最后总结了学习概率图模型时所面临的一些问题，并含有课程的最终考核。最后，通过一个全面的PGM回顾模块，课程探讨了在实际应用中使用这种框架时的一些现实权衡。这一系列内容非常适合希望深入理解概率图模型及其应用的学习者。同时，作为Coursera平台上的课程，它的系统性和实用性得到了学员们的一致好评。
课程主页: https://www.coursera.org/learn/probabilistic-graphical-models-3-learning