有保留的推荐

清华大学出版社，概率图模型：原理与技术，已经出版了，应该马上可以买了。具体可以见博客：http://blog.sciencenet.cn/blog-2374-877942.html

大概什么时候能出来，楼主可以透露一下出版社么，我想先预定

概率图模型：原理与技术

还有中文版的名字叫啥捏？

楼主可以给个出版日期么?等的好辛苦。。。还有啊，翻译会对书中的错误做修正么？

中文版上电商还要多久捏？

同期待中文版

期待中文版

中文版马上就出来了，已经印刷了。大家到时候可以看看。

是阿，中文版啥时候出来呢？

另外，搜狐大数据中心招人，欢迎楼上各位私信。

10年我也参加了 龙星计划，在交大徐汇，对Eric Xing老师的一封信还在，记忆犹新啊。现在这个书已经有清晰的pdf版了，但是现在中文版还没出来！效率实在是太低了！

翻译版在哪里，什么时候出

求PGM的中文版书名，在哪里可以买到这本书，急求，谢谢

@英子

呵呵，谢谢。

@辉辉行天下

是美女啊，不过好像有主了。

转上一则博客，或许会对本书有更全面的认识，不受我的影响。http://hi.baidu.com/chen_1st/blog/item/ec2c89393eb7fefd54e7239b.html

吼吼，我不是女强人，不过现在连生孩子都可以不分性别了，学科就更不用说了。

一个女生,居然喜欢这么晦涩难懂的,佩服啊!　呵呵!

清明节假期，从读其中的17章，我觉得我现在想给这本书5星了。最近计划什么书都放一边，从新看这本。以前看的太浅。

我最近在看英文版的，感觉很晦涩，请问中文版的哪里有

回头看大家的评论，才发现自己的这块砖头真是起到了作用了.

Relation between PLSA and NMF and Implications

http://ezcodesample.com/plsaidiots/NMFPLSA.html

最近想看看这一块，谢谢Chen_1st

@cheney8023 　无论是PCA,LDA, CCA,pLSI都好，其实在计算层面都是对矩阵进行分解，区别在于这样的model是怎样导出的，用什么样的语言描述这个算法，以及进行点估计还是Bayesian式的估。其实这也是LDA能够实现large-scale的原因。

哪位那里有第六章的译本，分享下，急用，在此谢过

@cheney8023

1. pLSA是一种非负矩阵分解方法，请查看讨论他们之间关系的文章。
2. LDA是pLSA的bayesian版，这个应该没有什么问题吧。

@Chen_1st 'LDA可以看成是bayesian版的矩阵分解。 ' 求解释

呵呵，你给自己找到了答案。

其实是我这个问题问的不好，本来做研究，只要有问题就值得研究。

@凡晨小雪
我其实没什么经验可谈，以前这么说是不知深浅，见谅。不过，应用才刚开始吧。只要用得好，其实哪个方法都有价值吧。嘿嘿，这个问题太大了，本人水平有限。

英子，依你视频分析方面应用的经验，你觉得LDA,HDP还有继续在这个方面进行应用研究的价值吗？

把“Chen_1st老道”里的“道”去了比较准确

Chen_1st老道，把LDA和矩阵分解联系起来，我第一次听说，留个记号，想想这个想法。

谢谢英子的实际经验：）

@华林,
目前关于概率图模型的中文资料可能确实不多，我当时看时能找到的中文资料就很少。@raullew,其实据我所了解的，我想之所以没有得到广泛应用也是因为不成熟吧。计算量是一个问题，模型是非常复杂的其实，变量之间的独立性就难以捉摸，这个就是结构的存在？再者，即使是模型定了，模型的推断也是个大问题，没什么好的方法，我记得林达华有篇博客里介绍过几个典型的推断算法，其中一个是BP，提到收敛性是一直没解决的问题，当然这也不影响其的应用和推广。还有各种其它的变分推断，采样等实现，每一处都是个不小的坑。我听一位作文本的朋友说，LDA在文本分析中都跑起来特别慢，所以他一直犹豫是不是要看下去。

CRF和HMM似乎从原理上是相反的（判别模型和生成模型），可是我在网上搜索关于图模型的中文资料真是不多，图书馆压根就没有~~在这之后对图模型很感兴趣，偶然在好友的PRML中发现有图模型的叙述很是高兴。真希望能早日读到PRML和PGM。

其实在PR,IR上应用比较多的一个原因也是因为这方面效果比较好吧。从效果上来看，目前相对比较好的就是图像处理中的应用了，我在关注HDP算法时，发现确实是这样的，这个Erik Xing是这么说的。再者，加上本身这些模型的计算和推断比较复杂，存在很多问题，所以无法得到更加快速和有效的推广吧。

其实我就是因为查过Koller的应用研究，基本集中在生物、医药、CV等典型的科研领域，才会有此疑惑。而我又不做这些应用。。。我关心的是data mining的任务，这东西的问题范围极广。。。

依据我有限的知识，图模型是从多个领域里衍生出来的，比如有向图模型最经典的应用领域应该是专家系统，无向图模型可能和模式识别更有渊源。IR和PR应该是目前应用比较成功的两个领域，但对于一些图模型的研究人员来说（Koller应该就是其中之一），他们的目标应该不是分类聚类工具那么简单，人工智能的范围有多宽，他们的眼界就有多宽。但是，就像你了解的一样，人工智能的各门类的发展并不是平衡的，也并不总是高歌猛进的。IR、PR不过是商业上比较成功而已，不妨查一下Koller或者她的合作者的研究领域，看看他们具体在做些什么工作。

我想问个问题，PGM具有比较灵活的建模能力，为什么最多的应用是在IR、PR这样的CS领域，而没有应用到更广泛的工业界、企业、社会问题中去？方法比较general，应用却比较狭窄，岂不是很可惜？是因为其他领域已经被Stat的人用别的方法做掉了吗，还是学术界不大care

mrf,crf你也用过的话那其实图模型你应该基本上都了解了啊。

图像和视频我都只是知道些皮毛

恩。熟悉了HDP，其实看着LDA相对简单些，虽然这个也不容易。但是HDP确实复杂，现在看完这个后，用的效果来看，效果并不像我想的那样好，我是想用HDP到crf和hmm类似模型中，现在也有很多人在用了，我在写综述看文章时发现，其实现在概率图模型现在用的比较好的地方也就是图像处理中了，而且发展主要是结合mrf,crf等，其实视频处理数据的应用效果也不是很好。我在用时，一直在调整，挺失望的对这类模型，但是反过来说，任何模型都不是那么好用。
而且和做文本处理的朋友讨论，HDP根本无法在文本数据中跑，太慢了，呵呵，这也是我担心的问题。我用在视频数据中就很慢。

非常佩服HDP的作者啊，真是一群牛人啊，把数学的东西整的真是转的很啊。

我觉得HDP在图模型里算比较复杂的了吧，又是分层又是非参数，我都没认真研究过。感觉你可以熟悉一下CRF, 剩下的东西就基本上都可以类推了。

恩。是啊。我在用HDP模型，用C++实现。开始时觉得算法简单，程序难。现在觉得算法难，程序简单。可用这个模型，除了对LDA等topic models熟悉一点，对其它的概率图模型结构还是不懂。真不知道PGM的作者怎么掌握那么多东西。

呵呵，的确没有电子书，我这里也没有，也别给我发邮件了

@英子：主要图模型各种变体太多，优化方法也多，弄懂一种模型可能不难，但要弄清楚各种模型之间的联系和差别就比较费时间，PGM文字太多图示和公式太少，可能是个问题，毕竟有些东西用公式或图表示会更清晰一点。另外我觉得你水平不弱啊，国内的科研水平一直在提高，和新拿到博士学位的同学比，感觉自己多学了那么多年其实并没有啥明显的优势。杯具。

在这里添上一句，关于PGM这本书，英文版和中文版的，我以及我认识的人均没有电子版的，所以请不要再给我发豆邮或者留言索要电子版。谢谢。没有任何版本的电子书，请务必看到这条信息。

恩。如此做，使得书的结构很好，但是有时候水平很弱的人，比如我，学习时会感觉每一部分都是个大坑，无法往前走。就像程序中一样，有时候一个程序通用性很强时，反而会给某个具体问题的使用带来一些繁琐和阅读困难吧。用我们这一老师说的话，Koller的书写的结构性那么强，说明作者本书的水平也很高的。能编写通用性很好的程序的人也都是高手啊。

今天写TrueSkill的日记（http://www.douban.com/note/109996835/）时想到你所说的这个书的结构问题，顺便讨论了一下：

PGM把图模型的表示和推理相分离，这样就可以做到：确定好图模型的数据结构之后，不管图模型结构怎么变，推理方法都仍然有效，不需要修改。而其他的书一般都是针对具体问题（换言之，固定的图模型结构）谈推理，缺乏这种软件设计上的易复用特性。

额...PGM这本书你们有电子版没有???

想不到你把这个定义为笔墨战争。

我现在知道什么是笔墨战争了，也知道为何很多时候能生出那么多事了，比如我没说PRML没错误啊。所谓评价，只是一个人作为读者说一下他的读后感，但是是否客观，是否能统一所有人的思想，这些不是要考虑的内容。没有对错，没有是非。

就此打住，不再回复。如果关于这本书的内容，有什么讨论或者疑惑，欢迎大家一起讨论，这些东西一般优化解还是能得到大家统一认可的。

PRML的errta更长吧？我不是牛人，因为PGM的确不比PRML更难。相反我觉得PGM是用，PRML才是本。当然，用比本往往会更变化多端一点，但终究脱离不开本的范围。

错误是挺多的啊，我在学习时，11章后面两节中，有几个公式错误。后来翻译时，我记得13章中有一段话也有错误，这些都给作者发过邮件了，作者说后面的是BUG，说再版已经更正。这些是我发现有的，另外你可以看看作者公布的一些修改说明，errta文件，好多页呢。当然，瑕不掩瑜。
大概我们是做工科的，感觉PRML相对来说更浅显易懂，而PGM，里面太晦涩了。呵呵，看来Mahout是理论牛人。

没觉得PGM比PRML更晦涩啊，相对而言，PGM我倒觉得更适合入门。

PRML的重点是用bayes观点来阐释机器学习，虽然这个和图模型的关系如同表里，但他的侧重点不再图模型上。第八章的确讲了一下图模型，但相当简略，后面章节对这个内容其实用的很少。PGM对图模型的介绍就要全面得多了。我觉得如果你通读了PRML，没有理由会感到PGM困难啊。

这本书的结构由表示，推理和学习三部分，是图模型的三个侧面，不知道你们老师强调的重要性是什么。另外，为什么人为这本图书有很多错误呢，我没觉得啊。