本书讲解概率图模型的基本原理及其在机器学习、大数据建模、深度神经网络模型中的应用，并且从概率图模型的角度讲解机器学习算法、深度神经网络模型的概率原理，培养学生“知其然，并知其所以然”的思维方式，解决学生应用建模时仅局限于模型选型和调参的问题。
本书内容丰富，将原理与实例相结合，数学与代码相结合，可作为高等院校的人工智能相关专业本科生和研究生课程的教材，也可供相关领域的科研人员和工程技术人员参阅。

第l部分 基础篇
第1章 概率图模型基础
1.1 基本概念
1.2 贝叶斯网络
1.2.1 概率基础
1.2.2 图论基础
1.2.3 有向图模型的条件独立性
1.2.4 朴素贝叶斯分类器
1.3 马尔可夫随机场
1.3.1 无向图基础
1.3.2 无向图模型的条件独立性
l.3.3 联合概率的定义
1.3.4 Ising模型
1.4 图模型的表达能力
第2章 机器学习基础
2.1 基本概念
2.2 机器学习问题建模
2.3 机器学习问题求解
2.3.1 目标函数
2.3.2 优化算法
2.4 回归模型
2.4.1 线性回归
2.4.2 线性回归的概率图模型
2.5 模型容量和模型选择
第3章 人工神经网络基础
3.1 神经元模型
3.1.1 激活函数
3.1.2 最大似然估计
3.1.3 最大后验估计
3.1.4 全贝叶斯估计
3.2 多层前馈神经网络
3.2.1 模型表示
3.2.2 误差逆传播算法
3.3 反馈神经网络
3.4 循环神经网络
3.5 门控循环神经网络
3.6 深度神经网络
第4章 大数据基础
4.1 基本概念
4.1.1 大数据源
4.1.2 数据的发展史
4.1.3 大数据的特点
4.1.4 大数据应用
4.2 数据处理
4.2.1 数据收集
4.2.2 数据集成
4.2.3 数据清洗
4.2.4 数据转换
4.3 数据分析
4.3.1 数据质量分析
4.3.2 数据特征分析
4.3.3 特征选择与数据抽取
4.4 自然语言处理技术基础
4.5 图像处理技术基础
第2部分 概率图模型应用篇
第5章 高斯混合模型
5.1 海量图像聚类
5.1.1 应用分析
5.1.2 数据分析
5.2 应用建模
5.3 模型推断与学习
5.3.1 模型推断
5.3.2 EM算法
5.3.3 模型学习
第6章 隐变量模型
6.1 因子分析
6.2 概率主成分分析
6.3 独立成分分析
6.3.1 应用分析
6.3.2 数据处理
6.3.3 应用建模
6.4 稀疏编码与压缩感知
第7章 主题模型
7.1 热点话题检测
7.1.1 应用分析
7.1.2 数据处理
7.2 应用建模
7.2.1 潜在语义分析
7.2.2 概率潜在语义分析
7.2.3 LDA
7.3 LDA主题模型的学习与推断
第8章 张量分解模型
8.1 概率矩阵分解
8.1.1 推荐应用分析
8.1.2 矩阵分解
8.1.3 概率矩阵分解模型
8.1.4 模型学习和推荐
8.2 张量分解
8.2.1 基本概念
8.2.2 带缺失值的张量分解
8.2.3 稀疏张量分解
8.3 张量分解的应用
8.3.1 图像补全
8.3.2 视频场景切分
第9章 隐马尔可夫模型
9.1 中文分词
9.2 应用建模
9.3 模型学习与推断
9.3.1 模型学习
9.3.2 应用推断
第10章 条件随机场
10.1 基本概念
10.1.1 线性链条件随机场
10.1.2 复杂CRf结构
10.2 模型学习和推断
10.3 应用举例
10.4 CRf与HMM的关系
第ll章 混合图模型
11.1 基本概念
11.2 应用举例
第12章 因子图模型
12.1 基本概念
12.2 和一积算法
12.3 应用举例
第3部分 深度神经网络应用篇
第13章 卷积神经网络
13.1 卷积运算
13.2 卷积神经网络模型
13.2.1 卷积层
13.2.2 池化层
13.2.3 全连接层
13.3 残差网络
第14章 玻尔兹曼机网络
14.1 玻尔兹曼机简介
14.2 受限玻尔兹曼机
14.3 深度玻尔兹曼机
14.4 深度信念网络
第15章 神经概率语言模型
15.1 基于前馈神经网络的语言模型
15.2 基于RBM的语言模型
15.2.1 Factored RBM语言模型
15.2.2 对数一双线性模型
15.3 基于RNN的语言模型
第16章 神经机器翻译模型
16.1 机器翻译
16.2 序列-序列模型
16.2.1 编码器
16.2.2 解码器
16.2.3 模型学习
16.2.4 模型推断
16.3 注意力机制
16.3.1 基本原理
16.3.2 Transformer模型
第17章 编码神经网络
17.1 自编码器
17.1.1 基本原理
17.1.2 降噪自编码器
17.1.3 堆栈自编码器
17.2 变分自编码器
第18章 图神经网络
18.1 基本概念
18.2 图卷积基础
18.2.1 图信号处理
18.2.2 图傅里叶变换
18.2.3 图滤波器
18.2.4 图卷积网络
18.2.5 GraphSAGE网络
18.3 图注意力网络
第19章 自回归模型
19.1 基本概念
19.1.1 完全可见贝叶斯网络
19.1.2 神经自回归网络