# 多伦多大学 CSC412/2506：概率机器学习（2025 冬）

- 原标题：University of Toronto CSC412/2506：Probabilistic Machine Learning（2025 冬）
- 类型：课程
- 来源：diophontine.github.io
- 学期：2025 冬
- 首次精选：2026-10-29 23:09
- 分级：值得看
- 学习层级：深入
- 主题：[diffusion-image-generation](<https://oplearnx.com/md/topics/diffusion-image-generation.md>)（第 4 位）、[neural-model-foundations](<https://oplearnx.com/md/topics/neural-model-foundations.md>)（第 38 位）
- 原文链接：[https://diophontine.github.io/csc412](<https://diophontine.github.io/csc412>)
- 本站页面：[https://oplearnx.com/resources/pk\_d570da0210a7](<https://oplearnx.com/resources/pk_d570da0210a7>)

## 摘要

多伦多大学 2025 年冬季 CSC412/2506 概率机器学习课程主页，授课教师为 Denys Linkov，并列出助教名单。课程介绍指数族、有向图模型、马尔可夫随机场、精确推断、消息传递、采样与 MCMC、隐马尔可夫模型、变分推断、神经网络、嵌入、注意力、稀疏自编码器、专家混合（MoE）、约束解码、投机解码、变分自编码器和扩散模型等主题，并给出基于概率构建模块的建模与优化方法概览。页面还列出作业 A1–A4 与练习期末的发布时间和截止时间，以及助教答疑时间与开课日期。

## 概览

- 语言：英文
- 动手：4 次作业 · 含 Colab

## 学完你能

- 掌握指数族、有向图模型、马尔可夫随机场等概率建模工具
- 使用精确推断、消息传递、采样与 MCMC 方法进行推断
- 理解隐马尔可夫模型与变分推断，并构建变分自编码器
- 认识神经网络、嵌入、注意力、稀疏自编码器等与概率建模的联系
- 了解约束解码、投机解码与扩散模型的思路
- 从概率构件出发形成模型构建与优化的整体视角

## 适合你吗

- 适合：想系统学习概率机器学习方法的学生
- 适合：已具备机器学习、概率与深度学习基础，希望进一步深入者
- 适合：希望了解变分推断、VAE、扩散模型与大模型解码技术的学习者
- 暂不适合：完全没有概率论与机器学习基础的初学者
- 暂不适合：只想学习纯工程实现、不关注概率建模的读者
- 需要先会：需要具备概率论、机器学习与神经网络方面的基础（课程定位为高年级/研究生课程，材料未列具体先修课）。

## 课程特点

- 内容侧重：以概率建模为主线，覆盖图模型、推断与采样、变分方法与现代生成模型、大模型相关技术。
- 练习与项目：4 次作业（含 Colab 笔记本形式），第 8 周有期中考试、第 13 周有期末复习与练习题，另有每周辅导课。
- 投入时间：每周两次 2 小时讲座加 1 小时辅导课，共 13 周；第 7 周为阅读周停课。
- 费用说明：材料未给出选课费用、证书或会员信息。

## 内容覆盖

- 第 1 周 引言与概率模型
- 第 2 周 决策理论与有向图模型
- 第 3 周 马尔可夫随机场与精确推断
- 第 4 周 消息传递与蒙特卡洛方法
- 第 5 周 采样 I 与采样 II
- 第 6 周 隐马尔可夫模型与变分推断 I
- 第 7 周 阅读周（停课）
- 第 8 周 期中考试复习与练习
- 第 9 周 变分推断 II 与变分自编码器
- 第 10 周 嵌入与注意力
- 第 11 周 稀疏自编码器与约束解码
- 第 12 周 投机解码与扩散模型
- 第 13 周 客座讲座与期末复习

---
来源：LearnMap · 学径（https://oplearnx.com）