机器学习概率框架的核心思想是：学习可被看作是推理合理模型以用于解释被观测到的数据的过程。一台机器可以利用此模型去预测未来数据，并基于这些预测理性决策。不确定性在这一切中都起到了基础的作用。观测数据可以符合多个模型，因此哪个模型适用于给定数据是不确定的。相似的，未来数据的预测和未来活动的结果是不确定的。概率理论提供了一个对不确定性建模的框架。这篇论文回顾从对机器学习概率方法和贝叶斯推理的介绍开始，然后将讨论一些该领域的最新进展。学习和智能的许多方面都十分依赖于谨慎的不确定性概率表征。概率方法仅在最近才发展成人工智能[1]、机器人[2]和机器学习[3,4]的主流方法。即使到现在，这些领域在完全表征….