一 ，贝叶斯定理：
后验概率 : P（H|X）
先验概率 : P (H)
二 ，朴素贝叶斯分类（已知类标号，假设属性的值条件地独立）
1.用类标号计算出先验概率 P(Ci)
2.对每个不同的属性计算每个属性对应的P(X|Ci)
3.假设属性独立，计算基于类标号的P(X|Ci) (每一个独立相乘)
4.最终求出P（X|Ci）*P(Ci)的最大值
三 .贝叶斯网络（已知类标号，联合概率分布，允许变量子集间定义类条件独立性）
分为两部分：无环图 和 条件概率表
1. 无环图
结点表示随机变量，弧表示概率依赖，弧前端是双亲节点，后端是后继，不在弧上的后继称为非后继
例图：
2. 条件概率表
例：
四 ，训练贝叶斯信念网络
情况一：如果网络机构已知并且变量是可见的，训练网络直接计算CPT，与朴素贝叶斯涉及的计算概念类似
情况二：变量隐藏条件下，用梯度下降方法训练信念网络
