影片狀態：錄影需登入或課程授權。 影片來源與說明
CS 228: Probabilistic Graphical Models: Principles and Techniques 教的是一件在 2026 年很不流行的事：把一個大到不可能寫下來的機率分布，用一張圖壓成可以計算的東西。貝氏網路、馬可夫隨機場、變數消除、信念傳播、取樣、變分推論、參數與結構學習——一個學期十週走完表示、推論、學習三塊。
它在 Stanford 的 AI 課程地圖裡位置很特別：所有人都知道它存在，很少人真的修。障礙不在門檻。它的官方先修沒有指定任何前置課程，而隔壁的 CS 234 要求 CS229 或同等程度，低了一整層。真正的障礙是它已經兩年沒有開課，官網也凍結在最後一次開課的樣子。
這篇先回答三個自學問題：獨立性假設怎麼縮小機率表、表示／推論／學習如何接在一起，以及該從哪一章開始練。下面用一個另設的小例子算一次 Naive Bayes，再用三種圖形檢查條件獨立。先修、公開材料與歷史查核放在對應說明及文末備註；本文不取代講義的逐章數學推導。系列順序見《Stanford CS 課程導讀》地圖文。
這門課的硬事實
先修條件原文只有一句，逐字抄自 ExploreCourses 的 CS 228 條目：
Prerequisites: basic probability theory and algorithm design and analysis.
沒有指定課號、沒有要求機器學習背景、沒有要求 PyTorch。課程官網的版本多了兩個詞（statistics、programming），並補上一條自我檢查：
If you are able to comfortably complete homework 1 then you likely have all the relevant background knowledge.
課的規格：三到四學分、只在冬季開、講師 Stefano Ermon。ExploreCourses 的 2026-2027 學年頁面顯示這門課已經排進 Winter 2027，但講師欄與上課時間都還空著。
真正該注意的是它中間空掉的那一段：在兩個較早學年的頁面上，這門課的狀態都是 Last offered: Winter 2024——它連續兩個學年沒開。ExploreCourses 沒有說明原因，課程官網也沒有任何公告，這裡只有現象，沒有解釋。
順帶一提，這門課在 Stanford 的課表裡還有一個側面存在感：MATH 151 的條目寫著，CS 主修可以申請用它抵掉 CS109，條件是「預期也會修 CS 228 或 CS 229」。它被寫進了另一門課的抵免規定裡。
旁聽政策查不到。官網只留了 SCPD 學生的聯絡窗口（scpdsupport@stanford.edu），對校內旁聽一個字都沒寫。
它真正在教的那個東西：把指數壓成多項式
講義第一章用垃圾郵件分類把整門課的問題意識立起來，這是最省時間的入口。你要對 n 個英文單字的出現與否加上「是不是垃圾郵件」建一個聯合分布，得寫下 2 的 n+1 次方個數字。存不下，也估不準。
接著它做一件事：假設所有單字在給定標籤之後條件獨立（Naive Bayes 假設），分布就拆成一堆小因子的乘積，參數量掉到 O(n)。講義的說法是：機率本質上是指數大小的物件，能操作它的唯一方式就是對它的結構做簡化假設。
整門課就是把這個動作系統化。圖用來寫下你做了哪些獨立假設，這是表示；圖的性質決定你問得起哪些問題，這是推論；而學習又反過來把推論當子程序反覆呼叫。三塊互相咬住，這也是講義的目錄結構。
這個框架的實用價值在於它給了一把尺：看到任何機率模型，先問它假設了什麼獨立性，再問這個假設讓哪些查詢從指數變成多項式。 Transformer、diffusion、HMM 都能放進這把尺裡量——講義自己就這麼做了，下面會講到。
那份公開講義的實際狀態
自學者真正拿得到的東西是 cs228-notes，由 Volodymyr Kuleshov 與 Stefano Ermon 撰寫，掛在 GitHub Pages 上、MIT 授權、原始碼公開。它不是投影片的附件，是一份可以獨立讀完的教材。
規模是 16 章加一份延伸閱讀清單，對齊課程的三塊：
講義自己怎麼安置 Transformer 和 diffusion
「2026 年還要不要學圖模型」是讀者真正會問的問題。這裡不自己編答案，直接看材料怎麼定位自己——而課程的兩份材料給的答案不一樣。
官方課程描述沒有回答這個問題。 ExploreCourses 的條目列的應用是「語音辨識、生物模型與發現、醫療診斷、訊息編碼、視覺、機器人運動規劃」。課程官網的版本則是「機器學習、電腦視覺、自然語言處理與計算生物」。兩份都沒有提到深度學習、生成模型或 LLM。
講義有回答，而且是明確地把現代模型收編進圖模型的框架。 應用那章談 diffusion 時的說法是「Diffusion models are a class of PGMs that build upon the directed Markov chain structure」——把它當成有向馬可夫鏈結構上的一類圖模型。談語言模型時更直接：
Many modern language models do not make strong independence assumptions and instead learn a fully connected PGM with a large quantity of data in order to avoid overfitting. Recent successes in commerical language products such as ChatGPT are based on the Transformer Architecture which is a fully connected graphical model.
（commerical 是原文拼字，逐字照抄。）
這段話的立場很清楚：Transformer 不是圖模型的替代品，是圖譜上「不做獨立假設」的那個極端——用資料量換掉結構假設。這正好是第一章那把尺的另一端。
而整份講義的收尾章節是變分自編碼器，首頁自己寫明課程「從最基本的地方開始，最後從第一原理解釋變分自編碼器」。VAE 那章把 EM、mean field、取樣三種課堂學過的做法逐一試過、逐一說明為什麼行不通，才引出 Kingma 與 Welling 的 AEVB 與重參數化技巧。這是這份講義最好的一段，因為它示範了整門課的方法論怎麼推導出一個現代結果。
但要注意時間戳。 這些現代化的段落最新引用停在 2023 年（ChatGPT、Child et al. 2021 的 Very Deep VAE），之後沒有再更新。所以講義回答的是「到 2023 年為止，現代生成模型怎麼放進圖模型框架」，不是 2026 年的版本。
算一次：兩個詞的 Naive Bayes
這是本站另設的二元分類例子，不是課堂或作業的實際數據。令 Y 表示垃圾郵件，O 表示有 offer，M 表示有 meeting。假設 O、M 在給定 Y 後獨立；P(Y=1)=0.4，且 P(O=1|Y=1)=0.75、P(M=1|Y=1)=0.4；非垃圾信的兩項機率分別是 0.25、0.8。
一封信兩個詞都有，垃圾信的未正規化分數為 0.4×0.75×0.4=0.12，非垃圾信為 0.6×0.25×0.8=0.12。兩者除以總和 0.24，得到垃圾信機率 0.5。即使 offer 偏向垃圾信，meeting 的訊號也可能抵銷它；不能只看某個詞就下結論。
先自己算「有 offer、沒有 meeting」：垃圾信為 0.4×0.75×0.6=0.18，非垃圾信為 0.6×0.25×0.2=0.03，正規化後是 6/7≈0.857。核對判準是兩類機率和為 1，且你能說明為什麼要把 meeting 的條件機率取補數。這個答案只在我們假設的獨立模型裡成立；若詞在各類別內仍相關，乘積模型就可能給錯機率。
怎麼開始
今晚就能做的一件事，用來判斷你到底進不進得去：
打開貝氏網路那章，讀到 d-separation 那一節，然後蓋住頁面，自己回答三個三變數結構的獨立性——X → Z → Y、X ← Z → Y、X → Z ← Y——在 Z 有沒有被觀測的兩種情況下，X 和 Y 各是獨立還是相依。
第三個（v-structure，講義叫 explaining away）跟前兩個不同：在只有這三個節點的圖中，Z 未被觀測時，圖保證 X 與 Y 獨立；觀測 Z 後，圖不再保證兩者獨立，通常可能出現 explaining away，但特定參數仍可能讓它們獨立。 以草地為例，Z 是草濕了，X 是下雨，Y 是灑水器開過。知道草濕、又知道灑水器沒開，可能提高下雨的機率；只有再假設草濕完全由這兩個原因決定、沒有其他原因或量測雜訊，才可把雨的機率推到 1。圖形本身不給出這個數字。
核對時，chain 與 fork 在給定 Z 後保證 X、Y 條件獨立，未給定 Z 則不保證；collider 的保證方向相反。能說清楚「圖保證獨立」與「不保證獨立」的差別，就完成這個閱讀檢查；它是繼續學推論的一項基礎，不代表已掌握每種推論演算法。若仍混淆，先重讀該章的三種結構與條件化例子。
教材與版本備註
講義維護與歷史查核細節
首頁上那句「The notes are still under construction」值得單獨講，因為它會誤導人。索引頁在四個地方標了 under construction：機率複習、應用、Bayesian learning 的例子、以及結構學習的 Bayesian structure learning。把這四頁全部打開讀過之後，這些標記大多已經對不上內容了：
- 機率複習不但寫完了，還寫得比課程需要的更深——它從 σ-algebra 與測度講起，明講材料改寫自 CS229 的機率講義與 STATS310 的講義。
- 應用那章是整份講義最長的一章，涵蓋影像、語言、音訊、因果推論、錯誤更正碼、計算生物、生態、經濟與醫療診斷。
- Bayesian learning 標的是「Examples（under construction）」，但那頁開頭就擺著兩個完整的例子。一個是偏心硬幣的 MLE 為什麼不會隨資料量變得更有信心，另一個是 bag-of-words 語言模型碰到未見詞時整句機率變成零。後面接共軛先驗、Beta、Dirichlet，最後把 Laplace smoothing 收成 Dirichlet 先驗的特例。
- 唯一還真的缺的是結構學習那章。score-based、Chow-Liu、AIC/BIC、BD score、constraint-based、order search 與 ILP 都在，但沒有獨立的 Bayesian structure learning 一節。
維護狀態就誠實一點。這個 repo 有兩千多顆星、沒有被封存，但最後一次推送停在 2025 年 6 月，而且那筆改動只是一則錯字修正。再往前翻，實質內容的編輯集中在 2023 到 2024 年初。它現在還掛著幾個沒被合併的 PR，最舊的那個開在六年前（精確數字見附錄）。
腐蝕開始出現，但也有人在補。講義裡有三處推薦「一位前 CS228 學生做的互動模擬」，全部指向同一個已經下線的 pgmlearning.herokuapp.com。其中兩處已經被改成 Wayback Machine 的封存版：d-separation 與變數消除。repo 裡有一筆 2024 年初的 commit 名字就叫「Update variable elimination web app link with archived version」。只有結構學習那章的 K3 演算法模擬還指著原網址，實測回 404。
作業長什麼樣
課程官網沒有公開作業內容（都在 Ed 上），但公開了完整的時程表，而時程表本身有資訊。五份作業，寫明「both written and programming parts」，每份都圍繞一個應用。搭配十週的講次表是這樣排的：
| 作業 | 開放區間 | 對應主題 |
|---|---|---|
| HW1 | 1/9 – 1/23 | 機率理論、貝氏網路 |
| HW2 | 1/24 – 2/2 | 無向模型、學習貝氏網路 |
| HW3 | 2/1 – 2/13 | 精確推論、訊息傳遞 |
| HW4 | 2/13 – 2/27 | MAP 推論、結構化預測、取樣 |
| HW5 | 2/27 – 3/12 | 參數學習、貝氏學習、結構學習 |
HW2 是唯一的異數：只有九天，而其他四份都是十二天以上。 它同時也是唯一一份「還沒截止、下一份就已經開放」的作業——時程表上 HW2 與 HW3 的區間直接疊在一起。課程網站沒有說明為什麼這樣排。
另一條可以直接讀的線索是加開的助教課。官網列了五場、全部在週五下午、寫明「optional but encouraged」，主題依序是 d-separation、變數消除、junction tree、Metropolis-Hastings 與 Gibbs 取樣、EM。五場全部落在第二到第七週，也就是表示與推論那一段。
規定也寫得很硬。遲交有六天額度、單份作業最多用兩天，超過之後每多一天扣 25%；官網還特地舉例算給你看：四天全押在同一份作業上，那份直接砍半。往年解答不准看，原文是「It is an honor code violation to intentionally refer to a previous year's solutions, either official or written up by another student」。評分是作業 70%、期末考 30%，另有最多 3% 加分——加分的兩種拿法之一是對 GitHub 上的課程講義送 PR。也就是說，你在網路上讀到的那份公開講義，有一部分是被課程用加分餵出來的。
期末考是一場三小時的考試。沒有期末專案——這跟同一位講師的 CS236 是相反的安排，那門課的課程專案占四成。
自學者實際拿得到什麼
逐項講，拿得到與拿不到分開：
- 講義：拿得到。16 章全公開、MIT 授權、可以 fork。這是本篇的重點，也是這門課對自學者最大的價值。
- 教科書：拿不到（免費的話）。指定書是 Koller 與 Friedman 的 Probabilistic Graphical Models: Principles and Techniques（MIT Press），要買。官網列的六本延伸閱讀裡，只有 MacKay 的 Information Theory, Inference, and Learning Algorithms 是作者自己放的免費線上版。Bishop、Murphy、Darwiche 三本走 Stanford 圖書館入口，校外進不去。而 Wainwright 與 Jordan 那份 Graphical Models, Exponential Families, and Variational Inference 的官方連結現在回 404——那是第九週指定要配著讀的材料。穩定的公開版本在 Princeton 課程檔案庫（2026-08-26 實測 200）。
- 講次投影片：拿不到。官網的 syllabus 只有主題與課本章節，沒有掛任何 PDF。
- 錄影：拿不到。官網的 Lecture Videos 指向
canvas.stanford.edu的一個外部工具，要登入。等價替代有兩層：CMU 10-708 Probabilistic Graphical Models 的 Eric Xing Spring 2020 完整錄影（同主題、更進階，Spring 2019 版共 55 支）；以及 Ermon 與 Kuleshov 本人在 2025 年 7 月出的官方教程 Probabilistic Graphical Models: A Concise Tutorial——直接以 CS228 notes 為基底改寫，是「當季內容」最權威的公開版本。 - 作業：官方版拿不到——近年全部發在 Ed 上，公開的只有一份 LaTeX 作答模板。但歷屆題目有社群 mirror：florist-notes/CS228_PGM 收了 hw1–hw5 的題目 PDF 與 programming 部分，外加 2006–2016 五份期末考（2016 年那份含解答），自述收集自公開資源。題目年代與當前版本有落差，練習取向夠用、對答案不行。
- 自動評分器：拿不到，Gradescope 需要課程邀請。
- 往年課程網站：拿不到。這門課的網站不在
web.stanford.edu/class/archive/底下（那個路徑回 404），它是 GitHub Pages，所以只有一個版本——最新的那個。要看歷史只能翻 git commit 或 Wayback Machine。
所以自學路徑其實很清楚，也很受限：你有一份完整的教材，沒有錄影、沒有評分器；作業只能靠年代有落差的歷屆 mirror。 官網那句「能舒服地做完 HW1 就代表你的背景夠了」對校外的人是半失效的——當季的 HW1 你拿不到。
順帶一提，網路上關於這門課的二手介紹要小心。連 Ermon 自己的 Stanford 首頁也不準——那份教學列表最新只到 Winter 2022/2023，但 ExploreCourses 與課程官網都記錄了 Winter 2024 那次開課，講師是他本人。
跟 CS236 的關係：兩門課現在都停著
CS228 和 CS236: Deep Generative Models 出自同一個人。很多人以為 CS228 是 CS236 的前置，這件事在官方頁面上不成立。CS236 的先修原文是「Basic knowledge about machine learning from at least one of CS 221, 228, 229 or 230」。CS228 只是四選一的其中一個，不是必經。
比較有訊息量的是兩門課現在的狀態。ExploreCourses 上 CS236 的狀態是 Last offered: Autumn 2023，它的課程官網標題也還寫著「CS236 - Fall 2023」——跟 CS228 官網凍結在 Winter 2023-24 是同一種樣子。兩門課現在都不在開課中，差別在於前者已經排進了下一個冬季，後者在 2025-26 學年完全沒有開（ExploreCourses 的 sections 為空），但 2026-27 學年已排進冬季學期的 catalog——enrollStatus 是 Open，講師與時間地點欄位空白，屬於「系上有意開、講師未指派」的狀態而非確認開課（2026-08-26 查）。至於停開的原因，官方從未解釋，但時間軸自己會說話：兩門課最後一次都是 Ermon 本人教，而他在 2024 年 7 月起出任 diffusion LLM 新創 Inception Labs 的 CEO——停開期與創業期完全重疊（詳見文末附錄）。CS236 已排進 Spring 2027 且 PI 就是 Ermon 本人，這兩門課是暫停，不是取消。
分工倒是清楚的：CS228 教怎麼用圖寫下獨立假設、怎麼在圖上做推論與學習，結束在 VAE；CS236 從 VAE 開始，往 GAN、normalizing flow、autoregressive、energy-based 與 score-based 展開。所以講義最後那章，剛好就是兩門課的接縫。另外一個實務差異：CS236 官網明寫歡迎校內旁聽（「we are very open to sitting-in guests if you are a member of the Stanford community」），CS228 官網沒有對應的說法。
附錄：數字與查證方式
- 學分與開課：3–4 學分、只在冬季開。ExploreCourses 的 2026-2027 學年頁面顯示 CS 228 Class # 25130、Session 2026-2027 Winter 1、In Person，講師欄與上課時間空白（2026-08-21 讀數）。2024-2025 與 2025-2026 兩個學年頁面的狀態均為
Last offered: Winter 2024。 - 評分比重：作業 70%（五份）、期末考 30%、額外加分最多 3%。加分的兩種拿法是在 Ed 上實質回答同學問題，或對課程講義送 GitHub PR。
- 遲交政策：六天額度，單份作業最多兩天不罰，超出後每多一天罰 25%。這是遲交規定，不是重交規定——官網沒有任何重新提交的條款。
- 期末考時間：Winter 2024 那次是 3 月 21 日 15:30–18:30，三小時。官網目前顯示的就是這一版。CS228 沒有期末專案；作為對照，CS236 官網的比重是三份作業各 15%、期中 15%、課程專案 40%。
- 講義 repo 數字：2,009 顆星、476 個 fork、7 個開著的 PR（2026-08-21 由 GitHub API 讀取）。repo 建於 2017-01-10，最後一次推送 2025-06-24（PR #227，機率複習的錯字修正）。最舊的未合併 PR 開於 2020-03-16。
- 講義 under construction 標記：索引頁標了四處（Probability Review、Real-World Applications、Bayesian learning 的 Examples、Structure learning 的 Bayesian structure learning）。四頁均已逐頁讀過，前三處內容存在且完整，第四處確實沒有對應章節。
- 死連結（皆為 2026-08-21 實測）：結構學習章節的 K3 互動模擬
pgmlearning.herokuapp.com/k3LearningApp回 HTTP 404；d-separation 與變數消除兩章的同系列連結已改指 Wayback 封存版，可開。課程官網延伸閱讀清單裡的 Wainwright & Jordan PDFwww.eecs.berkeley.edu/~wainwrig/Papers/WaiJor08_FTML.pdf回 HTTP 404，people.eecs.berkeley.edu的常見替代路徑同樣 404，本篇未能找到該檔的官方有效鏡像。 - 課程官網位置：
cs228.stanford.edu實際導向ermongroup.github.io/cs228，頁首標示 Winter 2023-24。web.stanford.edu/class/archive/cs/cs228/回 404，這門課沒有 Stanford 封存區的歷屆版本。
未能確認的項目：(1) CS228 為何連續兩個學年停開、CS236 為何自 Autumn 2023 後未再開課——官方從未說明，但 2026-08-26 的查核把時間軸對上了：ExploreCourses XML 確認最後一次開課兩門都是 Ermon 本人教（Winter 2024 的 CS228 有 133 人、Autumn 2023 的 CS236 有 321 人），而他 2024 年 7 月起擔任 diffusion LLM 新創 Inception Labs 的 CEO，2025 年 2 月出 stealth、11 月拿 $50M seed（Menlo Ventures 領投），投資方訪談裡直接說三位創辦人「walk away from tenure」——停開期與創業期完全重疊。Stanford 的 faculty startup 政策也明文要求教授接管理職應休假（leave of absence）。這是間接證據最強的解釋，但沒有任何官方來源明文連結兩者。課程本身沒有死掉：CS236 已排進 Spring 2027 且 PI 就是 Ermon，CS228 排 Winter 2027 但講師 TBD。(2) Winter 2027 的授課者是誰，ExploreCourses 的講師欄目前空白。(3) 五份作業的實際題目與難度分布，作業內容鎖在 Ed 上，本篇對作業的描述全部來自公開的時程表與評分政策，不是作業本身。
課程影片來源
官方課程網站（cs228.stanford.edu，導向 ermongroup.github.io/cs228，頁首標示 Winter 2023-24；2026-10-10 即時讀取）的 Lecture Videos 連結指向 canvas.stanford.edu 的外部工具；我實際開啟，被導向 Stanford 登入頁，確認需要修課帳號。搜尋也沒有找到這門課的公開 YouTube 或 OCW 釋出，所以不嵌入，也不以其他課程的影片冒充。
課程與錄影入口：
查核日期：2026-10-10。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。即時開啟官方站的 Lecture Videos 連結，確認導向 Canvas 登入頁；沒有找到公開釋出，維持需登入，並把來源說明改成實測結果。
參考資料
- ExploreCourses：CS 228 條目（2026-2027 學年） — 先修原文、學分、Winter 2027 排課與空白講師欄
- ExploreCourses：CS 228 條目（2025-2026 學年） —
Last offered: Winter 2024，同頁另有 CS 236 的Last offered: Autumn 2023與 MATH 151 的抵免規定 - ExploreCourses：CS 228 條目（2023-2024 學年） — Winter 2024 開課紀錄與 Ermon 掛名
- ExploreCourses：CS 234 條目 — 用來對照先修門檻：CS234 要求 CS229 或同等程度
- CS 228 課程官網 — 凍結於 Winter 2023-24：先修、評分、遲交、榮譽守則、十週講次表、五場助教課
- cs228-notes 公開講義 — 16 章目錄、作者、under construction 聲明
- cs228-notes GitHub repo — 星數、fork、未合併 PR、commit 歷史與 MIT 授權
- 講義：Introduction — 垃圾郵件的指數參數量與 Naive Bayes 的簡化
- 講義：Real-World Applications — diffusion 與 Transformer 被放進圖模型框架的原文
- 講義：Bayesian networks — d-separation 與 v-structure 的定義
- 講義：Structure learning — 內容完整度與失效的 K3 模擬連結
- 講義：The variational autoencoder — 課程收尾章節，從課堂方法推導到 AEVB
- CS236: Deep Generative Models 課程官網 — 凍結於 Fall 2023，先修原文與旁聽政策
- Stefano Ermon 個人首頁 — 教學列表僅到 Winter 2022/2023，與課表不一致
- Inception emerges from stealth — TechCrunch — Ermon 共同創立的 diffusion LLM 新創，停開時間軸的關鍵
- From the Lab to the Frontier — Menlo Ventures — 投資方訪談，三位創辦人「walk away from tenure」的原話出處
- 站內：Stanford CS 課程導讀地圖
- 站內：Stanford CS329A 深度導讀
Loading...