概率图模型理论及应用教学日历

教学日历

上课时间：第四大节（15:20~16:55）

上课地点：六教6A403

大节课次内容

（1）9月13日第一章引言

统计推理和学习的概念

（2）9月20日第二章图模型

图论相关知识

有向图模型（贝叶斯网络）

（3）9月27日图模型上条件独立性（d-separation，Bayes ball）无向图模型（马尔可夫随机场）

（4）

10月4日

国庆放假

（5）10月11日在图模型框架下介绍：

多元高斯模型、

主成分分析（PCA）、

混合分布（Mixtures）、

（6）10月18日因子分析（FA）、

隐马尔科夫模型（HMM）

（7）10月25日第三章图模型上的推理（Inference）

图论知识深入：簇（Cliques）、可分解图（Decomposable graph），连接树（Junction tree），规范化（Moralization），三角化（Triangulation）等

（8）

11月1日

图论知识深入（续）

1

（9）

11月8日

Junction Tree算法

（10）

11月15日

Junction Tree算法（续）

（11）

11月22日

HMM的前向-后向算法、Viterbi算法

（12）

11月29日

线性动态系统的Kalman滤波

（13）12月6日第四章图模型的参数学习（Parameter Learning）

完整数据下的最大似然（ML）参数估计

不完整数据（Incomplete Data）下的ML参数估计（EM算法）完整数据下的贝叶斯学习

不完整数据下的贝叶斯学习

（14）12月13日第五章图模型的结构学习（Structure Learning）

模型选取准则，包括最小描述长度（Minimum Description Length，MDL），贝叶斯信息准则（Bayesian Information Criterion，BIC）等

结构EM算法（Structural EM）

结构的贝叶斯学习

（15）12月20日第六章图模型的应用选讲

图模型在语音识别应用中的实例

图模型在图像处理应用中的实例

（16）12月27日图模型在计算机视觉应用中的实例

图模型在通信信道编码（Turbo-coding）应用中的实例

2