有保留的推荐。
书的优点：很全，较新，成体系，连贯性很好。
书的缺点：错误挺多，抽象晦涩，理论性很强。
我个人是做视频的高层信息理解分析的，偶然之间接触到概率图模型的几个算法，后来跟着实验室的其他老师和组里的同学一起学了这本书。听了大家的讲解，让我收获很多，原来只是自己看的算法，学了这本书的相关章节后感觉理解的深刻多了，也多了很多新的理解。再加上10年的龙星计划机器学习班，Erik Xing老师的讲解让我对很多疑惑多了些思路。这是在这个课程上，知道这本书其实03年左右已经在美国有些学校里作为draft教材了。所以，不算特别新，但是这是概率图模型里比较新的教材了。
Bishop的书PRML，从8章开始，就讲了概率图模型其实，我觉得相对来说这本书更容易懂些，而比较起来，PGM这本书则晦涩难懂多了，我觉得。比如图模型中的三个典型结构，PRML中讲解的就清晰容易懂，个人感觉。从另一方面来比较，JORDAN的书，一直没出版，看了些电子版和打印出来的，觉得其实相对没那么晦涩的。
我看了一下，大概是PGM的作者一直在做理论吧，所以算法理解的深度高，所以才理论那么强？
回到PGM这本书，其实，我觉得我还是很喜欢这本书的，在我开始关注概率图模型的几个算法时，就注意到作者要出版这本书，但是一直没找到相关资料。大概也是这个时候，才意识到国内外学术差距有多少年的吧。我想如果开始时我能接触到这本书，并了解些，我开始看概率图模型的算法，比如HDP,LDA等模型时，应该会容易些，也会理解的深刻些。但是曲径通幽，问题还是解决了的，而这本书也终于见到了，但是，推荐想了解概率图模型的人看这本书。
看之前，有些概念需要理解，一些概率统计的基础知识要有的，别像我这边一个师弟，拿多项式分布来问我奥，这不是说不行，而是说这些基础不了解，你看起来会很吃力，囫囵吞枣，会消化不良的啦。
再者，其实，优化这部分基础也是要有的，我不是计算机科班出身，也不是数学科班出身，所以虽然上了不少数学课（微积分），可对优化我始终停留在皮毛上，看这本书时，补了不少优化的东西。所以，如果你也和我一样，也建议补充一下吧。
我们这的老师说，这本书的结构很重要，我一直在思考这个问题，到现在还是朦朦胧胧的，他有一次评论我的文章说我对这些理解的还不够深刻。我想他说的是对的，但是，我在努力理解深刻，尤其是结构这个问题，我希望有高人能够把自己的理解写出来，最好是结合某一个算法或者一类算法，不要那么抽象或者大范围。
之所以想写这个评论，不是因为我牛，也不是因为我在这个方向牛。而是因为我从第一次接触概率图模型的几个算法，我就喜欢上了这个方向，当时遇到了很多困难，像蚂蚁一样往前走，面临着延期的压力，可我还是坚持下来了，我希望以后博士毕业后能继续这个方向。可现在要毕业找工作了，我尽最大努力找个偏向于科研的方向的工作，继续我喜欢的方向，可本人很菜，而且科研的单位能有几个？如果最后无法继续，我也算对我喜欢的这个方向留了点纪念。如果我能够如愿以偿，继续我喜欢的方向，我会再多写点自己的理解，算是继续。
对了，这本书的中文翻译版快出来了，如果你想看看中文版的，到时候不妨翻翻。
清华大学出版社，概率图模型：原理与技术，已经出版了，应该马上可以买了。具体可以见博客：http://blog.sciencen
10年我也参加了 龙星计划，在交大徐汇，对Eric Xing老师的一封信还在，记忆犹新啊。现在这个书已经有清晰的pdf版了，但是现在中文版还没出来！效率实在是太低了！
转上一则博客，或许会对本书有更全面的认识，不受我的影响。http://hi.baidu.com/
回头看大家的评论，才发现自己的这块砖头真是起到了作用了.
Relation between PLSA and NMF and Implications
http://ezcodesample.
最近想看看这一块，谢谢Chen_1st
@cheney8023 无论是PCA,LDA, CCA,pLSI都好，其实在计算层面都是对矩阵进行分解，区别在于这样的model是怎样导出的，用什么样的语言描述这个算法，以及进行点估计还是Bayesian式的估。其实这也是LDA能够实现large-scale的原因。
@cheney8023
1. pLSA是一种非负矩阵分解方法，请查看讨论他们之间关系的文章。
2. LDA是pLSA的bayesian版，这个应该没有什么问题吧。
@凡晨小雪
我其实没什么经验可谈，以前这么说是不知深浅，见谅。不过，应用才刚开始吧。只要用得好，其实哪个方法都有价值吧。嘿嘿，这个问题太大了，本人水平有限。
@华林,
目前关于概率图模型的中文资料可能确实不多，我当时看时能找到的中文资料就很少。@raullew,其实据我所了解的，我想之所以没有得到广泛应用也是因为不成熟吧。计算量是一个问题，模型是非常复杂的其实，变量之间的独立性就难以捉摸，这个就是结构的存在？再者，即使是模型定了，模型的推断也是个大问题，没什么好的方法，我记得林达华有篇博客里介绍过几个典型的推断算法，其中一个是BP，提到收敛性是一直没解决的问题，当然这也不影响其的应用和推广。还有各种其它的变分推断，采样等实现，每一处都是个不小的坑。我听一位作文本的朋友说，LDA在文本分析中都跑起来特别慢，所以他一直犹豫是不是要看下去。
CRF和HMM似乎从原理上是相反的（判别模型和生成模型），可是我在网上搜索关于图模型的中文资料真是不多，图书馆压根就没有~~在这之后对图模型很感兴趣，偶然在好友的PRML中发现有图模型的叙述很是高兴。真希望能早日读到PRML和PGM。
其实在PR,IR上应用比较多的一个原因也是因为这方面效果比较好吧。从效果上来看，目前相对比较好的就是图像处理中的应用了，我在关注HDP算法时，发现确实是这样的，这个Erik Xing是这么说的。再者，加上本身这些模型的计算和推断比较复杂，存在很多问题，所以无法得到更加快速和有效的推广吧。
其实我就是因为查过Koller的应用研究，基本集中在生物、医药、CV等典型的科研领域，才会有此疑惑。而我又不做这些应用。。。我关心的是data mining的任务，这东西的问题范围极广。。。
依据我有限的知识，图模型是从多个领域里衍生出来的，比如有向图模型最经典的应用领域应该是专家系统，无向图模型可能和模式识别更有渊源。IR和PR应该是目前应用比较成功的两个领域，但对于一些图模型的研究人员来说（Koller应该就是其中之一），他们的目标应该不是分类聚类工具那么简单，人工智能的范围有多宽，他们的眼界就有多宽。但是，就像你了解的一样，人工智能的各门类的发展并不是平衡的，也并不总是高歌猛进的。IR、PR不过是商业上比较成功而已，不妨查一下Koller或者她的合作者的研究领域，看看他们具体在做些什么工作。
我想问个问题，PGM具有比较灵活的建模能力，为什么最多的应用是在IR、PR这样的CS领域，而没有应用到更广泛的工业界、企业、社会问题中去？方法比较general，应用却比较狭窄，岂不是很可惜？是因为其他领域已经被Stat的人用别的方法做掉了吗，还是学术界不大care
恩。熟悉了HDP，其实看着LDA相对简单些，虽然这个也不容易。但是HDP确实复杂，现在看完这个后，用的效果来看，效果并不像我想的那样好，我是想用HDP到crf和hmm类似模型中，现在也有很多人在用了，我在写综述看文章时发现，其实现在概率图模型现在用的比较好的地方也就是图像处理中了，而且发展主要是结合mrf,crf等，其实视频处理数据的应用效果也不是很好。我在用时，一直在调整，挺失望的对这类模型，但是反过来说，任何模型都不是那么好用。
而且和做文本处理的朋友讨论，HDP根本无法在文本数据中跑，太慢了，呵呵，这也是我担心的问题。我用在视频数据中就很慢。
非常佩服HDP的作者啊，真是一群牛人啊，把数学的东西整的真是转的很啊。
恩。是啊。我在用HDP模型，用C++实现。开始时觉得算法简单，程序难。现在觉得算法难，程序简单。可用这个模型，除了对LDA等topic models熟悉一点，对其它的概率图模型结构还是不懂。真不知道PGM的作者怎么掌握那么多东西。
呵呵，的确没有电子书，我这里也没有，也别给我发邮件了
@英子：主要图模型各种变体太多，优化方法也多，弄懂一种模型可能不难，但要弄清楚各种模型之间的联系和差别就比较费时间，PGM文字太多图示和公式太少，可能是个问题，毕竟有些东西用公式或图表示会更清晰一点。另外我觉得你水平不弱啊，国内的科研水平一直在提高，和新拿到博士学位的同学比，感觉自己多学了那么多年其实并没有啥明显的优势。杯具。
在这里添上一句，关于PGM这本书，英文版和中文版的，我以及我认识的人均没有电子版的，所以请不要再给我发豆邮或者留言索要电子版。谢谢。没有任何版本的电子书，请务必看到这条信息。
恩。如此做，使得书的结构很好，但是有时候水平很弱的人，比如我，学习时会感觉每一部分都是个大坑，无法往前走。就像程序中一样，有时候一个程序通用性很强时，反而会给某个具体问题的使用带来一些繁琐和阅读困难吧。用我们这一老师说的话，Koller的书写的结构性那么强，说明作者本书的水平也很高的。能编写通用性很好的程序的人也都是高手啊。
今天写TrueSkill的日记（http://www.douban.co
PGM把图模型的表示和推理相分离，这样就可以做到：确定好图模型的数据结构之后，不管图模型结构怎么变，推理方法都仍然有效，不需要修改。而其他的书一般都是针对具体问题（换言之，固定的图模型结构）谈推理，缺乏这种软件设计上的易复用特性。
我现在知道什么是笔墨战争了，也知道为何很多时候能生出那么多事了，比如我没说PRML没错误啊。所谓评价，只是一个人作为读者说一下他的读后感，但是是否客观，是否能统一所有人的思想，这些不是要考虑的内容。没有对错，没有是非。
就此打住，不再回复。如果关于这本书的内容，有什么讨论或者疑惑，欢迎大家一起讨论，这些东西一般优化解还是能得到大家统一认可的。
PRML的errta更长吧？我不是牛人，因为PGM的确不比PRML更难。相反我觉得PGM是用，PRML才是本。当然，用比本往往会更变化多端一点，但终究脱离不开本的范围。
错误是挺多的啊，我在学习时，11章后面两节中，有几个公式错误。后来翻译时，我记得13章中有一段话也有错误，这些都给作者发过邮件了，作者说后面的是BUG，说再版已经更正。这些是我发现有的，另外你可以看看作者公布的一些修改说明，errta文件，好多页呢。当然，瑕不掩瑜。
大概我们是做工科的，感觉PRML相对来说更浅显易懂，而PGM，里面太晦涩了。呵呵，看来Mahout是理论牛人。
没觉得PGM比PRML更晦涩啊，相对而言，PGM我倒觉得更适合入门。
PRML的重点是用bayes观点来阐释机器学习，虽然这个和图模型的关系如同表里，但他的侧重点不再图模型上。第八章的确讲了一下图模型，但相当简略，后面章节对这个内容其实用的很少。PGM对图模型的介绍就要全面得多了。我觉得如果你通读了PRML，没有理由会感到PGM困难啊。
这本书的结构由表示，推理和学习三部分，是图模型的三个侧面，不知道你们老师强调的重要性是什么。另外，为什么人为这本图书有很多错误呢，我没觉得啊。