A03 · 第 3 章 · 课程规划页
贝叶斯网络与 Markov 随机场
本章研究贝叶斯网络与 Markov 随机场。内容依次处理条件独立、d 分离与贝叶斯网络分解、势函数、Markov 性与无向图配分函数、图结构选择、因子化假设与不可识别性。
- 所在 Part
- 第二编 概率图模型
- 预计学习
- 40 分钟
- 建设状态
- 已规划，尚无正式正文
计划实验
本章未登记独立交互实验；定义、公式和例题仍按下列提纲规划。
LEARNING OBJECTIVES
完成本章后应能
- 01准确说明条件独立、d 分离与贝叶斯网络分解。
- 02完成势函数、Markov 性与无向图配分函数所需的推导、证明或算法。
- 03使用计算、例题或反例检验图结构选择、因子化假设与不可识别性。
PLANNED SECTIONS
计划章节结构
- 01
条件独立、d 分离与贝叶斯网络分解
界定条件独立、d 分离与贝叶斯网络分解，明确使用的条件、主要结论与可复核步骤。
- 02
势函数、Markov 性与无向图配分函数
推导势函数、Markov 性与无向图配分函数，明确使用的条件、主要结论与可复核步骤。
- 03
图结构选择、因子化假设与不可识别性
检验图结构选择、因子化假设与不可识别性，明确使用的条件、主要结论与可复核步骤。
计划定义
条件独立、d 分离与贝叶斯网络分解：对象、记号与前提
围绕条件独立、d 分离与贝叶斯网络分解列出主要对象、符号、前提与定义边界。
计划公式
势函数、Markov 性与无向图配分函数：关系、判据与可复核步骤
把势函数、Markov 性与无向图配分函数整理为可检查的关系、判据或算法步骤；涉及定量模型时写出公式，并说明符号、适用条件，以及需要时的单位或复杂度。
计划例题
图结构选择、因子化假设与不可识别性：案例、反例与核验
围绕图结构选择、因子化假设与不可识别性给出明确输入、前提或数据，逐步分析并用反例、误差、守恒量或边界条件复核。
计划练习
贝叶斯网络与 Markov 随机场：定义、关系与边界综合练习
联结条件独立、d 分离与贝叶斯网络分解、势函数、Markov 性与无向图配分函数与图结构选择、因子化假设与不可识别性，分别检验定义辨析、主要步骤和适用边界。
关键词
贝叶斯网络、Markov 随机场、第二编 概率图模型、无监督学习与概率图模型