生成式模型是一类用于建模数据生成过程的统计模型。以下是一些常见的生成式模型示例：
1. 朴素贝叶斯模型：基于贝叶斯定理，用于文本分类、垃圾邮件过滤等任务。
2. 隐马尔可夫模型（HMM）：用于序列数据建模，如语音识别、自然语言处理中的词性标注等。
3. 高斯混合模型（GMM）：通过多个高斯分布的线性组合来近似复杂数据分布，常用于聚类和图像分割。
4. 变分自编码器（VAE）：一种用于学习数据分布的神经网络模型，可以用于生成图像、文本等。
5. 生成对抗网络（GAN）：由生成器和判别器组成的框架，用于生成逼真的样本，如图像、音频等。
6. 马尔可夫随机场（MRF）：用于图像分割、计算机视觉等领域，可以建模像素之间的关系。
7. 贝叶斯网络：用于建模变量之间的条件概率关系，常用于推断潜在的因果关系。
这些是一些生成式模型的例子，每种模型都有不同的应用领域和优势。生成式模型的目标是模拟数据的生成过程，以便能够从中采样生成新的数据样本。

SVM（支持向量机）属于判别式模型，而不是生成式模型。它的主要目标是在不同类别之间寻找一个最优的决策边界，以便能够准确地将数据点分类到正确的类别中。生成式模型（如朴素贝叶斯、隐马尔可夫模型等）则关注的是建模联合分布，以便能够模拟数据的生成过程。

59:49