如何用简单易懂的例子解释条件随机场模型？它和HMM有什么区别

第一步，modeling，设计一个大的概率分布，描述所有随机变量之间的关系。 图模型的精髓是把一个大的，包含很多随机变量的复杂分布，写成若干个小的，相对简单的factor的乘积，其中每个factor仅仅包含一小部分随机变量。 想想高票答案里面的那个类比图（tutorial里的Fig 2.4），每个节点代表什么？有向图的每一个边代表什么？无向图呢？里面的小黑方块是什么意思？第二步，training，parameter estimation, 也就是根据数据，找到模型的参数的最佳估计。这是一个将模型fit进data的过程。我们在第一步中定义了一些变量，假设了这些变量之间的关系，比如我们假设A和B是线性关系，但在training之前，我们并不知道A是B的多少倍。请回忆线性回归的参数估计是怎么做的。从更电子工程的角度来说，这一步骤可以理解为一个system identification的过程。第三步， inference，prediction, 作预测，在这个已经确定好参数的系统里，有了新的输入，

隐马尔可夫（HMM）好讲，简单易懂不好讲。我认为 @者也的回答没什么错误，不过我想说个更通俗易懂的例子。 还是用最经典的例子，掷骰子。假设我手里有三个不同的骰子。第一个骰子是我们平常见的骰子（称这个骰子为D6），6个面