概率机器学习的模型有哪些

概率机器学习是一种基于概率论的机器学习方法，其模型包括但不限于以下几种：

1. 朴素贝叶斯分类器：基于贝叶斯定理，使用特征之间的条件独立性假设，将分类问题转化为概率计算问题。

2. 隐马尔可夫模型（HMM）：用于描述具有随机变量的序列的动态系统，可用于语音识别、自然语言处理等领域。

3. 条件随机场（CRF）：建立在图模型上的有向无环图模型，用于序列标注、关系抽取等任务。

4. 高斯混合模型（GMM）：用于对数据进行聚类或密度估计，常用于图像分割、异常检测等领域。

5. 马尔可夫随机场（MRF）：用于建模离散或连续随机变量之间的关系，可用于图像分割、目标跟踪等任务。

6. 贝叶斯网络：用于表示变量之间的概率依赖关系，可用于推理、决策等任务。

7. 变分自编码器（VAE）：一种基于深度学习的生成模型，可用于数据生成、图像重构等领域。

8. 生成对抗网络（GAN）：一种基于深度学习的生成模型，可用于图像生成、风格转换等任务。