幾個可以學習gibbs sampling的方法
1，讀Bishop的Pattern Recognition and Machine Learning，講的很清楚，但是我記得好像沒有例子。
2，讀artificial Intelligence，2、3版，都有。但是我沒讀過。
3，最方便的，查wiki，這個說的最清楚。
這里通俗點的解釋一下。首先，什么是sampling。sampling就是以一定的概率分布，看發生什么事件。舉一個例子。甲只能E：吃飯、學習、打球，時間T：上午、下午、晚上，天氣W：晴朗、刮風、下雨。現在要一個sample，這個sample可以是：打球+下午+晴朗。。。
問題是我們不知道p(E,T,W)，或者說，不知道三件事的聯合分布。當然，如果知道的話，就沒有必要用gibbs sampling了。但是，我們知道三件事的conditional distribution。也就是說，p(E|T,W),p(T|E,W),p(W|E,T)。現在要做的就是通過這三個已知的條件分布，再用gibbs sampling的方法，得到joint distribution。
具體方法。首先隨便初始化一個組合,i.e. 學習+晚上+刮風，然后依條件概率改變其中的一個變量。具體說，假設我們知道晚上+刮風，我們給E生成一個變量，比如，學習-》吃飯。我們再依條件概率改下一個變量，根據學習+刮風，把晚上變成上午。類似地，把刮風變成刮風（當然可以變成相同的變量）。這樣學習+晚上+刮風-》吃飯+上午+刮風。
同樣的方法，得到一個序列，每個單元包含三個變量，也就是一個馬爾可夫鏈。然后跳過初始的一定數量的單元（比如100個），然后隔一定的數量取一個單元（比如隔20個取1個）。這樣sample到的單元，是逼近聯合分布的。
- 什么是Gibbs Sampling
Gibbs Sampling是MCMC算法中的一種，用來構造多變量概率分布的隨機樣本，比如構造兩個或多個變量的聯合分布，求積分，期望。
-
為什么需要Gibbs Sampling
這不是廢話，肯定是積分，期望或者聯合分布很難計算出來，通常情況下當前面三個問題是NP問題時才需要Gibbs Sampling。不然的話，直接計算就可以了嘛，既准確又快速，干嘛還要Gibbs Sampling呢。補充一句Gibbs Sampling只是（也只能）到近似解。
-
應用場景
a、積分，期望，樣本概率很難計算出來；b、條件概率很容易計算。具體一點的例子：受限玻爾茲曼機（RBM）的訓練，貝葉斯網絡，LDA都用到Gibbs Sampling。
-
為什么Gibbs Sampling有效
當Gibbs Sapling算法執行多次之后，產生的樣本服從真實樣本的分布，即相當於直接從聯合分布中采樣。
-
Gibbs Sampling 算法
二維Gibbs Sampling的馬氏鏈轉移
n維Gibbs Sampling算法
觀點:
1. We have a representation of p(x) and f(x), but integration is intractable. It turns out that if correctly sampled, only 10-20 points can be sufficient to estimate the mean and variance of a distribution. Of course, Samples must be independently drawn; Expectation may be dominated by regions of high probability, or high function values.[1]
Reference
[1] Lecture 1: Introduction - CUNY
[2] LDA數學八卦
后記：為什么要寫關於Gibbs Sampling的文章呢？首先Gibbs Sampling是有用滴，Gibbs Sampling在機器學習中主要用於學習階段的推理，比如求期望（平均值）和積分；再者網上的關於Gibbs Sampling的博客寫得不好，資料也不多。