跳到主要内容

斯坦福 CS228 概率图模型：原理与技术

课程名称： Probabilistic Graphical Models: Principles and Techniques
官方入口： Stanford ExploreCourses
课程层级： 研究生核心课
先修要求： 概率统计、线性代数、基础机器学习
重要程度： ※※※※※

课程定位​

CS228 是 Stanford AI 课程树里最关键的“概率与推断”课程之一。它负责把很多在 CS221、CS229 里分散出现的概率概念统一起来，建立图模型、因子分解、近似推断和结构化不确定性建模的完整框架。

核心内容​

  • 贝叶斯网络与马尔可夫随机场
  • 因子图、变量消元、信念传播
  • 采样方法与近似推断
  • 隐变量模型、EM 与结构学习
  • 用图模型统一表达序列、决策和复杂依赖结构

这门课为什么重要​

很多现代 AI 课默认你知道怎样处理不确定性、怎样把复杂依赖关系拆成可计算结构，而这些能力往往正是在 CS228 里建立起来的。它对 NLP、CV、RL、机器人和生成模型都非常有帮助。

学习难点​

  • 概率密度高，公式推导多
  • 需要能在图结构和代数推导之间来回切换
  • 近似推断部分需要真正理解算法为什么成立，而不只是记步骤

学完后的衔接​

  • 更一般的生成建模：接 CS236
  • NLP / Speech：接 CS224N、CS224S
  • RL / 规划：配合 CS234、CS237A