Como é que os modelos gráficos probabilísticos (PGM) se relacionam com a aprendizagem da máquina?

Bem, dê uma olhada no livro de texto de Kevin Murphy&apos. "Machine Learning: a Probabilistic Perspective".
E/Or abrir qualquer artigo recente com algum elemento de aprendizagem não supervisionada ou semi-supervisionada do NIPS ou mesmo KDD.
e.g. "Jointly Modeling Aspects, Ratings and Sentiments
for Movie Recommendation (JMARS),''
Diao, Qiu, Wu, Smola, Jiang and Wang, KDD 2014.

O que você'verá é que muitos modelos de aprendizagem de máquina são definidos com modelos gráficos.

A questão básica é que modelos gráficos permitem definir a estrutura da inferência probabilística subjacente ao modelo. Isto se torna importante para
modelos com centenas ou milhares de variáveis. É uma forma de organizar as coisas, e consequentemente dá uma forma de organizar a inferência que se pode usar. Na verdade sistemas como BUGS (de Cambridge) e Stan (de Cornell) permitem definir classes enormes, amplas e úteis de modelos usando modelos gráficos, e estes sistemas praticamente "compilam" um algoritmo para você. Isto mostra o poder geral do framework.

Nota outras formas de definir estrutura ou via equações e via regras gramaticais.

Muitos de nós perceberam no início de 1990's que este era o caminho do futuro. Demorou um pouco para a comunidade se entender, mas no final de 1990's ela estava tomando conta.