在機器學習算法的修煉道路中，概率圖模型和隨機過程對很多同學而言是一個巨大的攔路虎。很多同學會有這樣一種感覺：這裡面所涉及的模型概念可是真多啊！三兩下就給整蒙了：
大量的模型、交織的知識、複雜的概念、艱深的用法，面對紛繁複雜的前路，你還有勇氣邁向遠方機器學習的熱土嗎？
你說你想繞過這些難題？那恐怕不行，機器學習中的核心思想和大量核心應用都是構建在這些知識的基礎上的：
面對一個統計樣本，你想估計出你感興趣的參數，極大似然估計以及有偏性無偏性你能不掌握？如果不巧碰上包含隱變量的場景，EM 迭代的思想你可是躲都躲不開；
想進行語音識別？隱馬爾可夫模型你不可不會；想對一句話進行詞性標註？條件隨機場你敢不懂？
在進行貝葉斯推斷的時候，如果對馬爾科夫鏈蒙特卡洛方法等近似推斷一無所知，可能一個複雜的概率分布就讓你舉步維艱；
這麼難，又這麼重要，那就橫下心來咬咬牙，往前衝吧。當你滿懷希望地打開那些經典的大部頭，比如「花書」，比如號稱聖經的 PRML，比如某水果書，又比如隨機過程的高校教材，五分鐘就能讓你完成從開始到放棄，為什麼？最直接的感覺就是：公式太複雜，看不懂；內容太艱深，記不住。別急，作為《機器學習中的數學》系列專欄的提高篇，《機器學習中的數學：概率圖與隨機過程》就適時地出現了。
本專欄重點剖析人工智慧算法應用中的核心概率圖模型與隨機過程思想方法，力圖彌合概率統計基本概念與人工智慧應用之間的巨大鴻溝，使讀者通過專欄的學習能夠理清典型算法應用背後所蘊藏的核心模型與重要統計思想。最重要的是，每一步都能讓大家看得下去、看得明白。
專欄的亮點和特色面對如此艱深複雜的內容，本專欄又是哪來的信心把這些個知識給大家講通、講懂、講到位呢？這裡我想有必要來介紹一些它的亮點和特色：
沿著課程主線的四大環節，我們層層遞進，逐步掌握支撐機器學習算法應用的概率圖模型與隨機過程核心知識。
第 1 部分：模型中的單點——入手高斯分布：勾畫概率模型核心概念。 從最基礎的單中心高斯分布入手展開，通過一維及多維高斯分布的形態、性質、由來及應用串聯起隨機變量、分布特徵、參數估計、極大似然等核心概念，並分門別類地梳理典型的判別模型和生成模型。
第 2 部分：模型中的多點——混合模型與隱變量：EM 的迭代探索。 接著進入到概率模型中的「多點」，即以多中心高斯混合模型為例，由複雜模型中的隱變量所帶來的參數估計困境，牽引出 EM 算法以及迭代探索的重要思想。
第 3 部分：模型中的線——剖析隨機過程：一組變量觀測。 然後由點到線，介紹隨機過程---即一組隨機變量的呈現形式，主要介紹馬爾科夫過程和高斯過程，並基於馬爾科夫鏈的性質重點介紹統計推斷中的隨機近似方法。
第 4 部分：模型中的面——詳解概率圖模型：解構複雜概率關係。 最後進入到概率模型中的面：反映隨機變量複雜關聯關係的概率圖模型，深刻剖析概率圖模型背後的概率原理，重點介紹四類典型概率圖模型以及推斷、學習與濾波等問題。
專欄大綱最後，朋友們可以快速地瀏覽一下專欄大綱，了解一下專欄的主幹內容。
最後，希望我們的專欄能夠幫助大家理清紛繁複雜的理論知識，化解那些令人頭疼的數學難題，用我們自己走過的經驗之路填平困擾你繼續前進的深坑，陪伴大家在學習的道路上披荊斬棘，提高效率，從入門逐漸走向精通。
你將獲得什麼深入理解典型概率圖模型的數學原理以及模型重點關注問題對典型概率分布和模型有深刻認識，基於這些模型熟悉極大似然參數估計思想針對複雜的混合模型，掌握基於迭代探索的參數估計方法框架全面了解統計推斷的基本思路，掌握以 MCMC 為代表的近似推斷理論和實踐適宜人群學習基礎：對概率論基礎知識有一定的了解（如果概率論零基礎，建議可以先閱讀《機器學習中的數學：概率統計》專欄相關內容）
即日起至 5 月 30 日，專欄《機器學習中的數學：概率圖與隨機過程》限時特價 ￥39 。訂閱專欄，從概率統計基本概念到人工智慧應用，一次看明白！
訂閱專欄，即可進群與作者交流粉絲專享特惠：凡訂閱過《機器學習中的數學》系列（《機器學習中的數學 I：概率統計》、《機器學習中的數學 II：線性代數》 、《機器學習中的數學 III：微積分與最優化》）任一專欄的用戶，即可 ￥29 換購新專欄。