概率图模型
为了分析变量之间的关系，我们建立概率图模型。按照图中边的性质可将概率图模型分为两类：
- 有向图模型，也称贝叶斯网
- 无向图模型，也称马尔可夫网
隐马尔可夫模型
隐马尔可夫模型 (Hidden Markov Model, HMM) 是结构最简单的动态贝叶斯网。是为了研究变量之间的关系而存在的，因此是生成式方法。
需要解决三个问题：
- 如何评估建立的网络模型和实际观测数据的匹配程度？
- 如果上面第一个问题中匹配程度不好，如何调整模型参数来提升模型和实际观测数据的匹配程度呢？
- 如何根据实际的观测数据利用网络推断出有价值的隐藏状态？
马尔科夫随机场
马尔科夫随机场 (Markov Random Field, MRF) 是典型的马尔科夫网。同样是为了研究变量之间的关系而存在的，因此也是生成式方法。
联合概率计算逻辑按照 势函数 和 团 展开。其中团可以理解为 完全子图；极大团就是结点最多的完全子图，即在当前的完全子图中继续添加子图之外的点就无法构成新的完全子图；势函数就是一个关于团的函数。