本书对上一版做了全面更新，从工程角度讲述PGM（概率图模型)，通俗易懂，讲解深刻。本书纳入部分可观察马尔可夫决策过程、图模型、深度学习等新章节，附有大量精选的练习题。
本书涵盖PGM每个主要分类的基础知识（表征、推理和学习原理等），列出每类模型在多个学科的实际应用，浓墨重彩地描述贝叶斯分类器、隐马尔可夫模型、贝叶斯网络、动态贝叶斯网络、时态贝叶斯网络、马尔可夫随机场、影响图和马尔可夫决策过程的许多用途。
主要内容：
提出统一框架，涵盖所有PGM主要分类；
探讨每项技术的表达、推理与学习的基础知识：
涵盖部分可观察马尔可夫决策过程和图模型：
纳入介绍深度神经网络及其与PGM关系的新章节：
涵盖多维贝叶斯分类器、关系图模型及因果模型：
提供大量章末练习、补充阅读以及研究或编程参考文献：
描述分类器，如高斯朴素贝叶斯分类器、循环链分类器及层次分类器：
简述不同技术的实际应用：
给出教学大纲建议。
本书在课堂教学中日臻完善，可作为计算机科学、工程学、物理学等专业的本科和研究生PGM教材。对于将PGM应用于研究领域或对PGM基础知识感兴趣的专业人士而言，可将本书用作参考书。
展开
