☆ 保存 概率图模型（PGM）——贝叶斯网络与马尔可夫模型完整指南
04/15/2026
如果你想一次性理清概率图模型、概率推理，以及 AI 在不确定性条件下进行推断的整体脉络，那么就应该从这个页面开始。
- 这个枢纽页是一张导航地图，把 随机变量关系 → 图结构 → 贝叶斯模型 vs. 马尔可夫模型 → 概率计算 → 可扩展推理系统 这一整条学习链路串联起来，帮助你从结构化视角理解 AI 如何处理不确定性。
- 它的设计目标是让你能立刻确定 一个最佳起点、符合目标的最短路径，以及 模型选择的判断标准。
代表性起点——如果你想把概率理解成“结构”，就从这里开始
如果你希望理解的不是孤立的概率公式，而是彼此连接的整体结构，那么最快的方法就是先读这一篇。
- 概率图模型（PGM） —— 用图来表达随机变量及其依赖关系的核心框架
如果你想先建立全局框架，这一篇应该排在最前面。
Quick Start——立刻判断你现在该从哪里开始
- 如果概率基础还不够稳 —— 条件概率 → PGM
- 如果你想先看整体结构 —— PGM → 贝叶斯网络
- 如果你想看清不同模型的差别 —— 贝叶斯网络 ↔ 马尔可夫网络
- 如果你想一路连接到推理 —— 概率推理 → 推理系统
1. 起点——把概率看成“关系”，才真正容易理解
概率图模型真正的起点，不是某一个单独的概率值，而是变量之间的关系。只有先看懂依赖结构，整个模型才会逐渐清晰起来。
- 条件概率 —— 描述变量之间相互影响关系的最基础概念
如果你还不清楚概率之间是怎样彼此关联的，就应该先回到这一层重新打牢基础。
2. 核心结构——为什么要用图来表达概率？
概率图模型的价值，在于把复杂的概率问题拆解成结构。把相互连接的变量表示成图之后，无论是计算还是推理，都会变得更清楚、更容易处理。
- PGM —— 将复杂概率问题拆解为结构化表示的核心框架
如果你想先建立完整的结构视角，这一篇就是后续学习的坐标点。
3. 模型分支——你到底想表达哪一种关系？
接下来，模型会根据你想表达的关系类型而分化。这一步的选择，会直接影响你后面的学习方向。
- 贝叶斯网络 —— 适合表达有方向的因果结构（原因 → 结果）
- 马尔可夫网络 —— 适合表达无方向的关系结构
如果你想分析因果结构，就去看贝叶斯网络；如果你更关心变量之间本身的关系，而不是方向性，就去看马尔可夫网络。
4. 计算阶段——从结构走向真实的概率数值
只理解结构还不够。要把图真正变成可计算的模型，还需要把概率写成明确的数值形式。
- 条件概率表（CPT） —— 在给定条件下定义概率数值的标准方式
如果你想把图结构真正落到可计算的概率模型上，这一步一定不能跳过。
5. 扩展——进一步走向推理与系统
概率图模型的真正目标，不只是表示结构，而是完成推理。结构建立之后，下一步就是在这个结构之上得出结论。
- 概率推理
- 推理系统
- 贝叶斯定理
推荐学习路径——按目标直接进入下一篇
- 先打基础 —— 条件概率 → PGM
- 先抓结构 —— PGM → 贝叶斯网络
- 聚焦推理 —— PGM → 概率推理
这个页面的目标，就是帮助你把概率理解成结构，并立即连接到最适合你的下一篇内容。
📍 这个概念在 AI 学习地图中的位置
查看这个概念在整个 AI Universe 中的位置。
📍 AI Universe 中的当前位置
☰
重置 显示已完成 · 需要登录 加载中…
🌌 AI Universe
‹
›
⭐ 概念
请选择一个节点。