条件概率与 Bayes

它在 AI 中解决什么问题？

占位说明：解释模型如何在给定输入、上下文或观测证据后更新预测。

核心概念

• 待补：conditional probability
• 待补：Bayes rule
• 待补：prior、likelihood、posterior

关键公式

待补：$p(y\mid x)=\frac{p(x\mid y)p(y)}{p(x)}$。

它出现在模型的哪里？

• 待补：Bayesian inference
• 待补：classification
• 待补：posterior uncertainty

后续需要补充

• 待补：定义
• 待补：直觉
• 待补：例子
• 待补：常见误区