人工智能学习初始篇——概率论_人工智能需要学习概率哪些内容

+ 交换律
+ 集合律
+ 分配律

• 排列与组合

• 古典概率
  

• 抽样

  • 放回采样
  • 不放回采样

• 条件概率、联合概率、边缘概率

  • 边缘概率
  • 边缘概率
    
  • 三者之间的联系
    • 隐变量

• 事件独立性
  

• 事件互斥性

  • 设A,B为随机事件，A或者B发生的概率等于分别发生概率的和，则AB互斥。
  • 

• 全概率

• 贝叶斯公式
  

• 先验概率，后验概率，似然概率

• 利用垃圾邮件分类的思想来考虑一下

• 朴素贝叶斯

• 

  • 假设条件独立。
  • 假设独立的前提是错误的，精度不够高。

• 概率分布

  • 概率分布
  • 所有随机变量的取值范围[0,1]
  • 所有取值概率的和必须为1
  • 离散分布
  • 连续概率分布
  • 概率密度

• 伯努利分布

• 

  • (0-1分布)

• 二项分布

• 指数分布密度函数

• 
  

• 期望和方差

  • 期望 -
  • 方差 衡量鲁棒性
    
  • 协方差矩阵
    • 衡量相关性，正相关负相关
    • • 

• 连续分布

  • 均匀分布
  • 正态分布、高斯分布、误差分布
  • 指数分布

• 大数定理与中心极限定理

• 极大似然法

  • 如果这个事件发生了，那么就假设这个事件发生的概率最大
  • 当概率最大的时候参数是多少，就假设这个发生的概率最大。