1、概率 & 似然
概率是在知道参数的情况下，预测接下来可能出现的结果。
似然是在已知观测结果时，对有关事物的性质的参数进行估计。
2、泛化能力
即模型举一反三的能力，如果对训练集很友好，而对测试集不友好，则说明泛化能力差，过拟合。
3、归纳偏好
举个栗子，就用大佬爱吃的西瓜为例。我们现在要去买西瓜，而判断买不买的标准(特征/属性)有三个，颜色/瓜藤弯曲程度/响声(其实我忘记西瓜书常用的特征是什么了，就以这三个为例吧，hhh)。
如果我们从别人那寻得的经验不够多，只总结出来了一下三条（*表示不关心此特征）：
- 深绿，瓜藤弯曲，* =>瓜甜，买了
- 浅绿，瓜藤直直，* =>不甜，没钱
- *， *， 响声闷 =>瓜甜，买了
那么现在来了个浅绿&瓜藤直直&响声闷的瓜，根据以上三条经验，我是买还是不买呢？毕竟口袋空空，万一买了个不甜的瓜，可就亏大发了。
所以，这时，要么把这三个特征排列组合的经验都收集了。要么设置个偏好，比如我对三个特征的关注程度为颜色>瓜藤弯曲程度>响声，那么问题就解决了，我就不用担心买错瓜了！
4、AI 是一门预测的学问
概率论有两种思想学派主导。
一方是频率派，坚信随机事件发生的频次才能刻画概率。
另一方则是贝叶斯派，认为概率应该表示事件发生的不确定性大小。这时不仅要描述事件的不确定性，还要考虑选择模型的不确定性。贝叶斯理论希望确定最佳模型下参数的不确定性（最大熵模型）。贝叶斯学派建立的概率理论更适用于机器学习。
5、先验概率 & 后验概率 & 似然函数
参考：一个例子搞清楚（先验分布/后验分布/似然估计）
先验概率、后验概率以及共轭先验
哇咔咔，在搞了几个小时查了n多网页之后，终于弄明白了，那叫一个醍醐灌顶，那叫一个恍然大悟，那叫一个豁然开朗！不过现在自己可能理解地还是不是很透彻，留个坑，日后补充自己地看法。看不懂我写的内容的读者可移步参考链接，以更加深入地了解。
背景：现在隔壁老王有三种交通方式，步行/骑行/开车，去公园。
我们要研究老王到达公园的时间，这是结果，也是我们要观察的随机事件，记为 X。达到去公园这个目的的原因，是三种交通方式，记为 theta。
先验概率
在结果发生前根据历史经验推断原因的概率分布，也称古典概率。
放到背景中，就是老王还没出发，我们根据他懒的特质，可以预测他到公园会开车。这时候交通方式和到达公园花费的时间没什么关系，毕竟他还没有动身。
记为p(交通方式)/p(历史条件下的原因)/p(theta)。
后验概率
在已知结果后计算事件发生的原因的概率分布，也称条件概率。自变量是 X。
放到背景中，就是老王到了公园，我们知道他花费了多少时间，我们要根据他花费的时间估计他是采用的哪种交通方式。
记为p(交通方式|花费时间)/p(因|果)/p(theta|X)。
似然函数
自变量是参数的函数，记为L(theta|X)，在数值上等于p(X|theta)。先定下来原因，根据原因来估计结果的概率分布即 似然估计。根据原因来统计各种可能结果的概率即似然函数。
放到背景中，同样是我们要估计老王采用的交通方式，只不过我们不知道路上花费的时间。这时有效的猜测方法就是，我们假设老王采用了某种交通方式，来统计老王花费时间的概率分布。
记为p(花费时间|交通方式)/p(果|因)/p(X|theta)。
