元概率 嵌入的一种用于概率编程和元编程的语言。 注意：Metaprob当前是不稳定的研究原型，几乎没有文档，而且测试覆盖率很低。 同样，将来的版本可能与此版本不向后兼容。 我们不建议将其用于基础研究以外的任何目的，并且尚不能为MIT概率计算项目之外的用户提供支持。 主要特征 可以通过生成代码表示模型，即可以随机选择的普通代码 模型也可以通过近似表示，例如具有非平凡权重的重要性采样器 定制推理算法可以通过反射性语言结构以用户空间代码编写，用于： 跟踪程序执行 使用部分跟踪来指定干预和约束 通用推理算法是通过标准库中的用户空间代码提供的； 添加新算法不需要修改语言实现 所有推理算法都是普通的生成代码，可以作为模型进行跟踪和处理 新的概率分布和推理算法是一流的公民，可以在程序执行期间动态创建 动机 概率编程和推理元编程的轻量级嵌入 基于浏览器的交互式数据分析工具（通过 ） 适用于企业部署的智能数据管道（通过JVM上的Clojure） “小核心”语言可能适合正式规范和验证 教学 有兴趣实施自己的最低PPL的本科生和研究生 对概率建模和推理感兴趣的软件工程师和数据工程师 人工智能与认知

概率图模型是用图来表示变量概率依赖关系的理论，分为概率图模型表示理论，概率图模型推理理论和概率图模型学习理论。在人工智能、机器学习和计算机视觉等领域有广阔的应用前景。

UCB Michael Jordan 写的introduction to graphical model,入门级介绍。做machine learning的同学可以看看。一共12章，未出版手稿

达芙妮 Koller 2009年大作，不用多说，概率图模型经典，因为是从国外网站购买的高清版pdf，所以有偿分享一下。 （绝对不是扫描板！请放心下载！1270页）

完整版，带目录，机器学习必备经典；大部头要用力啃。 Machine learning A Probabilistic Perspective

加州大学伯克利分校的统计系和计算机科学系的教授迈克尔乔丹2003年所写。是图模型的最新著作，势必成为里程碑式的著作，值得一读。

这真正是 Michael Jordan 写的 An introduction to probabilistic graphic models的草稿

概率图模型是用图来表示变量概率依赖关系的理论，分为概率图模型表示理论，概率图模型推理理论和概率图模型学习理论。在人工智能、机器学习和计算机视觉等领域有广阔的应用前景。

基于MovieLens数据集，采用随机梯度下降算法优化最小化能量函数的概率矩阵分解Python源代码，自己做实验的源代码Probabilistic Matrix Factorization

Probabilistic Graphical Models Principles and Techniques(Koller)