This book is perfect to get you started with probabilistic graphical models (PGM) with Python. It starts with a quick intro to Bayesian and Markov Networks covering concepts like conditional independence and D-separation. It then covers the different aspects of PGM: structure learning, parameter estimation (with frequentist or Bayesian approach) and inference. All is illustrated with examples and code snippets using mostly the libpgm package. PyMC is used for Bayesian parameter estimation.

Machine Learning and Graphical Models 王立威 北京大学 信息科学技术学院 Machine Learning Graphical Models Classical Machine Learning Algorithms

Probabilistic Graphical Models Principles and Techniques。pdf，英文，高清。

图像特征工程是图像场景理解中的一项重要基础性工作，基于概率图模型的图像整体场景理解特征工程作为其延伸，其复杂性和综合性远高于基本图像理解特征工程。针对这一特点，对图像理解特征工程中的特征提取、表示、学习和变换，基于概率图模型的图像整体场景理解特征工程研究价值和意义、典型特征工程等多方面进行了归纳与分析，重点介绍了四种代表性的基于概率图模型的图像整体场景理解特征工程，并作了详细比较，提出了基于概率图模型的图像整体场景理解特征工程基本框架。最后对未来发展方向进行了展望，为该领域的进一步研究提供参考。

Stanford大学Koller老师的新书, 概率图模型, 全面介绍该领域知识

人工智能-机器学习-概率图模型在情感计算中的应用研究.pdf

文件说明： raw_data.txt //原始数据集（语料库） handle.py //因为原始数据集很大，可以通过handle.py对去全量数据集进行处理，得到小的数据集 hmm1.py //隐马模型的实现代码

CMU的概率图模型PPT（2017年春），Eric Xing的课。主页http://www.cs.cmu.edu/~epxing/Class/10708-17/

中文版，由于文件过大不能上传 因而删除了参考文献等无关成分，保留了目录和正文

利用Python的pgmpy包构建概率图模型