当你抛起一枚硬币，你不知道它会是正面还是反面，但你确切的知道正面与反面的概率都是50%。概率论的神奇之处在于，它居然能从不确定性中找到确定性。本文不教科书，只是阐述我的观点和思考，如有谬误，欢迎讨论或指正。对于未发生之事，我们无法掌握其所有参数或无法计算。

我们在前面的系列中多次提到马尔可夫链，它描述了一种状态序列，其每个状态值取决于前面有限个状态。在现实生活中，很多事物相互的关系并不能用一条链来串起来。比如在下图中可以看到，心血管疾病和它的成因之间的关系是错综复杂的。显然无法用一个链来表示。比如从心血管疾病

本文要讲述一个古老的机器学习算法，叫做朴素贝叶斯。这个算法比较简单明了，没有使用非常复杂的数学定理。用到的核心的数学理论就是概率中的一个定理，叫做贝叶斯定理。贝叶斯定理现在我们看一个例子，假设有一个生产扳手的工厂，有两台机器。现在有了很多很多生产出的扳手，

序本文主要简单研究一下朴素贝叶斯算法是如何对文本进行分类的。贝叶斯算法贝叶斯方法把计算“具有某特征的条件下属于某类”的概率转换成需要计算“属于某类的条件下具有某特征”的概率，属于有监督学习。后验概率　＝　先验概率 ｘ 调整因子这就是贝叶斯推断的含义。我们先

基于概率论的分类方法：朴素贝叶斯1. 概述贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本章首先介绍贝叶斯分类算法的基础——贝叶斯定理。最后，我们通过实例来讨论贝叶斯分类的中最简单的一种: 朴素贝叶斯分类。这就是贝叶斯决

深入浅出朴素贝叶斯理论归属于笔者的程序猿的数据科学与机器学习实战手册。部分阅读平台对于MathJax支持不好，可以查看笔者的笔记原文。更多内容参考面向程序猿的数据科学与机器学习知识体系及资料合集。这种观点中，概率代表着某个事件在较长范围内的出现频次。用贝叶

机器学习是一个绝妙的想法，它将统计学、信息理论和哲学的概念联系在一起。有些令人惊讶的是，在机器学习的所有高级流行术语中，我们并没有听到太多关于将统计学、信息理论、自然哲学的一些核心概念融合为三个单词组成的短语。在这篇文章中，贝叶斯以一种相当频繁的方式描述了

对于深度学习和机器学习工程师们来说，正态分布是世界上所有概率模型中最重要的一个。即使你没有参与过任何人工智能项目，也一定遇到过高斯模型，今天就让我们来看看高斯过程为什么这么受欢迎。正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为

概率论啊概率论，差不多忘完了。贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本章首先介绍贝叶斯分类算法的基础――贝叶斯定理。最后，我们通过实例来讨论贝叶斯分类的中最简单的一种: 朴素贝叶斯分类。这就是贝叶斯决策理论的核心

机器学习中有很多十分重要的核心基础概念，掌握这些概念对我们进行机器学习和数据科学的相关工作十分重要，可以帮助我们发现一些以往容易被忽视的新线索。那么其中很重要的一个就是——概率。不确定性几乎无处不在，我们需要了解它的习性，掌握并利用它，这就是我们需要概率理

本文从最基础的概率论到各种概率分布全面梳理了基本的概率知识与概念，这些概念可能会帮助我们了解机器学习或开拓视野。这些概念是数据科学的核心，并经常出现在各种各样的话题上。重温基础知识总是有益的，这样我们就能发现以前并未理解的新知识。如今，这些学科处于人工智能

对于给定的训练数据，首先基于特征条件独立假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。假设 A，B是两个事件，如果满足等式： P = P*P ,则称时间A，B相互独立.

A 的对立事件为，A 与 有且仅有一个发生。N 为 A 中包含基本事件的个数 ， N 为基本事件总数。B 已发生的条件下A 发生的条件概率，记为 P(A|B) 。如 P(B|A) = P ，A 发生不改变B发生的概率，则称事件A与事件B相互独立，简称A、B

本文根据最近学习机器学习书籍 网络文章的情况,特将一些学习思路做了归纳整理,详情如下.如有不当之处,请各位大拿多多指点,在此谢过.而朴素朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法。朴素贝叶斯分类工作原理：对于给出的待分类项,求解此项出现的条