本章在概率图模型 (PGM) 的基础知识上进行扩展。我们重点介绍在PGM框架下用于学习、推断和应用的进阶技术，尤其针对贝叶斯网络。

您将考察直接从数据中学习贝叶斯网络结构的方法，并将其与在给定结构中进行参数 (parameter)估计的贝叶斯方法进行对比。随后，讨论将转向精密的推断算法。我们将介绍连接树算法，用于复杂图中的精确推断，并学习如何调整近似方法，例如MCMC和变分推断，以应对大型或难以处理的PGM。

最后，本章将详细介绍潜在狄利克雷分配 (LDA) 作为贝叶斯图模型在主题建模中的一个具体应用。您将学习LDA的贝叶斯表述，并实现推断技术，包括塌缩吉布斯采样和变分贝叶斯，以分析文本数据。具体实现方面和模型评估也将涵盖。