层次模型，神经网络，图形模型，贝叶斯网络之间有什么关系？

它们似乎都由节点表示随机变量，并通过（可能是定向的）边缘表示（独立）依赖。我尤其对贝叶斯的观点感兴趣。

贝叶斯网络是一种图形模型。另一个“大”类型的图形模型是马尔可夫随机场（MRF）。图形模型用于推理，估计，通常用于建模世界。

术语分层模型用于表示不同领域中的许多事物。

尽管神经网络带有“图”，但它们通常不对依赖信息进行编码，并且节点也不表示随机变量。NN的区别在于它们具有区别性。流行的神经网络用于分类和回归。

凯文·墨菲有一个很好的介绍这些话题可在这里。

正如@carlosdc所说，贝叶斯网络是一种图形模型（即，有向无环图（DAG），其结构定义了一组条件独立属性）。分层贝叶斯模型也可以表示为DAG。Bellazzi等人的不确定数据的分层朴素贝叶斯分类器为此类模型的分类提供了很好的介绍。关于分层模型，我认为可以通过使用适当的关键字进行谷歌检索来检索许多文章。例如，我发现了这个：

CH Jackson，NG Best和S. Richardson。贝叶斯图形模型用于对具有不同变量的多个数据集进行回归。 Biostatistics（2008）10（2）：335-351。

迈克尔·乔丹（Michael I. Jordan）在图形模型方面有不错的教程，它基于阶乘式隐马尔可夫模型在生物信息学或自然语言处理中的各种应用。他的书《图形模型学习》（麻省理工学院出版社，1998年）也值得一读（通用汽车在带有BUGS代码的结构建模中的应用，第575-598页）。

神经网络不需要先验，但是神经网络的每个隐藏节点（神经元）都可以被视为CPD-线性节点的噪声OR / AND CPD-逻辑节点的Sigmoid CPD

因此，神经网络可以看作是多层隐藏节点，每层都有线性/ S形CPD

科勒在Coursera或她的教科书上的课程应该是CPD类型的良好参考。