大家好，我是Starz，跟第二欄的小編Jason一樣，是一名普通的計算機系學生。開這個號的原因是爲了記錄些好玩好看的小知識：
目前主要分爲兩大塊：
-
《概率圖模型》系列
-
機器學習和深度學習的小知識
雖然以上內容會涉及到蠻多數學公式，但我們在闡述過程中會盡量做到生動活潑
鑑於兩人的水平也有限，有寫得不對的地方請大家多多打臉
1 《概率圖模型》系列
1.1 概率圖講的啥
概率圖模型（PGM）位於統計學和計算機科學的交叉點上，主要涉及了概率論、圖算法還有機器學習相關知識。主要應用場景有醫療診斷、圖像理解、語音識別和自然語言處理等[1]
PGM是一個內容相當豐富的框架，很多機器學習算法在這個框架的進行推導下顯得通俗易懂。對比某些模型，在這個框架下的模型有更強的解釋性，使模型更爲可靠
對於解釋性強的模型來說，除了會告訴你它的預測之外，它還會告訴你做出這個預測的理由；爲了防止模型瞎猜，更嚴苛的模型還會要求給出推理過程
計算機視覺裏有種任務叫目標識別（其實就是瞅瞅圖裏有啥），在目標識別這個任務中，有些模型勤勤懇懇，有些模型卻整天想着渾水摸魚
根據W. Samek[2]等人的彙報，在識別圖片中是否有馬的任務中，第一個模型（中圖）將注意力都放在了左下角的水印:
放大來看是Pferde fotos，pferde 在德語裏是“馬匹”，fotos意思是“照片”
由此可見，靠譜的模型是多麼可貴
1.2 內容組織
《概率圖模型》系列主要是參考來自南特大學Philippe LERAY教授《Probabilistic Graphical Models》的授課內容，內容組織如下：
-
Probability Foundation (1) (jason)
-
Probability Foundation (2) (starz)
-
(Bayesian) Inference (jason)
-
(Bayesian) Parameter Learning (starz)
-
(Bayesian) Structure Learning (jason)
更新週期爲每週一更
2 小知識系列
可能涉及的領域：
-
本體學習
-
知識圖譜
-
計算機視覺
-
自然語言處理
這部分因爲是目前在學的東西，分享的形式可能是論文筆記以及模型詳解
3 寫在後面
爲了寫一個透徹的小專題，小編往往要參考很多個信源，學習任務也比較繁重，可能更着更着我們就跑路了
但只要還在更新，我們就保證參考資料的透明性，只要是摘抄或翻譯的部分我們都會詳細標明出處；並且儘量做到少提概念，多聊直觀理解
如果對我們的小作坊感興趣的話不妨掃碼關注，謝謝觀看
[1]Probabilistic Graphical Models. Stanford University
