基于先验知识和新证据的更新方法，用于计算事件发生的概率
大胆假设，小心求证 —胡适
背景和适用性
生活中绝大多数决策面临的信息都是不完全的，我们手中只有有限的信息。既然无法得到全面的信息，我们就应该在信息有限的情况下，尽可能做出一个最优的预测。
总结下第1部分：贝叶斯定理有什么用？
→ 在有限的信息下，能够帮助我们预测出概率。
贝叶斯公式
先验概率：主观判断概率
可能性函数/调整因子：新信息出现带来的调整模型
后验概率：根据得到的新信息调整后的概率
具体操作包括：
确定要求解的问题，收集已知信息：就跟中学生做应用题一样
- 第一步是明确问题，
- 然后列出解决问题需要的条件，搞清楚哪些是已知，哪些未知
确定先验概率 → 求可能性函数 → 收集新证据 → 带入贝叶斯公式后更新后验概率
生活中的贝叶斯思维
- 机器学习
- 人脑工作机制：不知道新词是什么意思，根据场景上下文进行用先验概率猜测，在不同场合应用观察反应得到反馈，进行响应调整，重复调整和验证优化判断
知乎那部分参考。 ‣ 没调整完，有空再处理下吧
实际的4 种应用场景
- 后验概率可以恒量信念的坚定程度
- 用后验概率进行对比 A:B 可以比较想法的优劣
- 反过来，通过后验概率胜率能计算出需要有怎样的数据能让我们相信假设
- #置信区间 ？？→ 如果先验概率足够大，那调整因子无论如何也动摇不了我们的信念