第三部分讨论了预测方法 ， 用于适合 p (y|x) 形式的条件分布 ， 其中 x ∈ X 是输入（通常是高维的） ， y ∈ Y 是期望的输出（通常是低维的） 。 这一部分假设了存在一个想要预测的正确答案 ， 尽管通常这个答案是不确定的 。
第四部分讨论了生成模型 ， 形式为 p (y) 或 p (y|x) ， 其中可能有多个有效输出 。 例如 ， 给定一个文本提示符 x ， 希望生成一组多样化的图片 y 与标题相匹配 。 在预测设置中 ， 评估这些模型比评估标题更难 ， 因为它的期望输出是不清楚的 。
第五部分将注意力转向了数据分析 ， 讨论了一些旨在揭示有意义的潜在状态或模式的方法 。 这部分主要关注潜在变量模型 ， 它们是 p (z, y) = p (z) p (y|z) 的联合模型 ， 其中 z 是隐藏状态 ， y 是观测值 ， 目标是从 y 中推断 z 。 （该模型可以选择性地以固定的输入为条件 ， 得到 p (z, y|x) 。 ）此外还探讨了一些方法 ， 用于发现以 p (y|x) 形式的预测模型隐式学习到的模式 ， 而不依赖于显式的生成模型 。
最后 ， 第六部分讨论了如何使用概率模型和推理在不确定性中进行决策 ， 引出了因果关系这个重要命题 。
此外 ， 由于内容涉及范围广泛 ， 大约三分之一的章节是与客座作者共同撰写或合作撰写的 ， 这些客座作者都是领域专家 (参见下面的贡献者完整名单) 。

文章图片

【Kevin P. Murphy《概率机器学习：进阶》成书，还开放了PDF下载】
文章图片