[Machine Learning] Probabilistic Graphical Models：二、Bayes Network Fundamentals（1、Semantics & Factorization）

一、How to construct the dependency？

1、首字母即随机变量名称

2、I->G是更加复杂的模型，但Bayes里不考虑，因为Bayes只是无环图。

3、CPD = conditional probability distribution。图中的每一个点都是一个CPD，这里5个点，就有五个CPD。

二、Chain Rule for Bayesian Neatworks

将整个Bayes网络的所有节点所构成的联合概率（Joint probability）利用链式法则（chain rule）因式分解为多个条件概率之积。

步骤：

1、先从没有条件的根节点开始，乘上每个根节点概率；

2、从上往下（从根到叶）逐步写出每个节点的条件概率，如P(G|D,I)、P(S|I)再P(L|G)

三、小结

四、Joint Probability Distribution的特性

1、值非负（P>=0）；

2、联合分布的所有可能性之和为1；

3、P factorizes over G，P可用G中的CPD因式分解表示。