📊AI 概率必备
最近更新:
分类: AI 概率必备
AI 教程网络
相关教程
专题导读
AI 概率必备教程列表
文章分组
按三段查看
基础、实践、扩展三个阶段，按文章顺序排列。
图文教程
图文文章
1 概率的定义
第 1 篇6 张图1.9k 字概率先解决一个问题：在所有可能结果里，某件事发生的可能性有多大。先把样本空间和事件画清楚，公式才有落点。
AIAI概率论小白
2 概率论基础概念之事件与样本空间
第 2 篇6 张图1.7k 字样本空间是全部可能结果，事件是其中一部分。很多概率题的难点不是算，而是把事件边界圈准。
AIAI概率论小白
3 概率论基础概念之条件概率与独立性
第 3 篇6 张图1.5k 字条件概率不是普通概率多写一个符号，而是在已知某事发生后，重新定义讨论范围。
AIAI概率论小白
4 AI必备概率论小白教程系列：随机变量与分布之随机变量的定义
第 4 篇6 张图1.9k 字随机变量把随机结果转成可以计算的数字。它是从事件走向分布、期望和模型评估的桥梁。
AIAI概率论小白
5 AI必备概率论小白教程：生成随机变量与分布之离散随机变量与连续随机变量
第 5 篇6 张图1.6k 字离散变量看每个点的概率，连续变量看区间面积。两类变量的计算方式不同，不能混用。
AIAI概率论小白
6 随机变量与分布之累积分布函数与概率密度函数
第 6 篇6 张图2.3k 字PDF 描述密度，CDF 描述累计概率。连续分布中，一个点的密度值不等于这个点的概率。
AIAI概率论小白
7 二项分布详解
第 7 篇6 张图1.5k 字二项分布适合固定次数的重复试验，关心其中成功了多少次。关键条件是次数固定、试验独立、成功概率相同。
AIAI概率论小白
8 常见概率分布之正态分布
第 8 篇6 张图1.4k 字正态分布用均值定位中心，用标准差描述分散。许多误差和样本均值会近似呈现这种形状。
AIAI概率论小白
9 常见概率分布之泊松分布
第 9 篇6 张图1.2k 字泊松分布适合描述一段时间或空间内事件发生的次数，例如到达、点击、故障等计数问题。
AIAI概率论小白
10 常见概率分布之几何分布
第 10 篇6 张图1.8k 字几何分布关心第一次成功要等多久。它适合等待时间问题，而不是固定次数内成功多少次。
AIAI概率论小白
11 计算期望值与方差之期望值
第 11 篇6 张图1.7k 字期望是按概率加权后的长期平均，不一定是某次试验会出现的值。它适合衡量整体中心趋势。
AIAI概率论小白
12 AI必备概率论小白教程：方差的性质
第 12 篇6 张图2.1k 字方差衡量结果围绕期望的波动程度。两个模型期望相同，方差不同，风险感受会完全不同。
AIAI概率论小白
13 协方差与相关性
第 13 篇6 张图1.9k 字协方差看两个变量是否一起变，相关系数把尺度影响去掉。相关性高，不代表存在因果关系。
AIAI概率论小白
14 大数法则的说明
第 14 篇6 张图1.2k 字大数法则告诉我们，重复次数足够多时，样本平均会逐渐靠近理论期望，但它不保证短期结果平稳。
AIAI概率论小白
15 中心极限定理的应用
第 15 篇6 张图2.0k 字中心极限定理解释了为什么很多样本均值会近似正态。它是置信区间、A/B 测试和误差分析的基础。
AIAI概率论小白
16 贝叶斯定理的理解
第 16 篇6 张图1.9k 字贝叶斯定理是在新证据出现后更新判断。它把原先相信什么、证据多支持什么、证据本身多常见放在一起计算。
AIAI概率论小白
17 贝叶斯更新与先验、后验
第 17 篇6 张图1.7k 字贝叶斯更新不是一次性公式，而是持续吸收证据的过程。今天的后验，可以成为下一轮判断的先验。
AIAI概率论小白
18 实用数据分析案例：从贝叶斯理论到应用实践
第 18 篇6 张图1.3k 字贝叶斯方法落地时，最重要的是把先验假设和数据证据分开写清楚，再看后验是否足以支持决策。
AIAI概率论小白
19 应用案例分析之模型评估与选择
第 19 篇6 张图1.6k 字模型评估也是概率问题：预测分数、阈值和错误代价一起决定模型是否可用。
AIAI概率论小白
20 AI必备概率论小白教程系列：模型评估与选择的总结与进一步学习资源
第 20 篇6 张图1.7k 字模型选择不能只挑最高分。要比较基线、验证方式、误差样本和上线约束，才能选出稳定方案。
AIAI概率论小白
21 AI必备概率论小白教程系列：结论与进一步学习建议
第 21 篇6 张图1.5k 字概率论学习不要停在公式背诵。最有效的方法是用小模拟验证直觉，再把结果解释回真实问题。
AIAI概率论小白