讓我們從一個故事開始。
1 看著後視鏡往前開車
想象這麼一個場景，我開著車，經過筆直的大道，快速地往下一個路口駛去。我知道，到了下一個路口就要右轉了。
這件事情很簡單，我坐在駕駛室內，看到下一個路口，往右邊打方向盤就好了：
突然，不管什麼原因（這故事是我寫的，可以安排一百種原因，乾脆就不解釋），反正前擋風玻璃碎了：
不要糾結我這幅圖，反正你已經無法看清前面的路了，那怎麼知道什麼時候該右轉？
還好，開車的是一位數學家，智商及時上線。
數學家根據自己的經驗，估計這條筆直的道路上：
這也就意味著如果隨意的右轉，有95%的概率是錯誤的。
數學家從後視鏡看出去，發現後面有一輛車在打右轉彎燈，他意識到：
新的信息出現了，此時如果右轉，錯誤的概率就比之前小很多。
這種思考方法，就是貝葉斯定理所闡述的思考方法。
2 結合開車來理解貝葉斯公式
我們來看看貝葉斯公式是怎麼寫的：
先把剛才的開車給符號化：
我們再來理解下貝葉斯公式：
因此貝葉斯公式實際上闡述了這麼一個事情：
我們再通過韋恩圖來理解一下這個事情（為了觀看方便，下面的A,B的圓形面積是示意）：
新的信息的出現，比如之前看到了亮著右轉彎燈的車，就好比知道點已經落入了 B 。至於為什麼B事件發生後導致的調整為：
這就需要代數了，推導也不復雜，這裡就不演算了。
2.1 小結
我們可以看到有形的十字路口，卻看不到明天是否下雨，我們可以看到前方是否有路障，卻不清楚下一次飛機是否會出事。甚至有時候，眼睛還會欺騙我們。
很多時候，我們不得不看著後視鏡開車，這個時候概率論、貝葉斯定理就是我們的指路明燈。
看著後視鏡開車，肯定常常會撞車，沒關係，我們可以不斷的去修正我們的假設。
比如，撞了幾次車之後，就發現可能之前估計的在十字路口打右轉彎燈的數據明顯偏大了，我們修正之後再繼續開車。我們人類的學習，本身也是一個試錯的過程。
3 貝葉斯定理與人腦
貝葉斯定理現在很多人在研究，就是因為不少人相信貝葉斯定理和人腦的工作機制很像（此處頗多爭論，望自行判斷），因此成為機器學習的基礎。
比如，你和對方聊天的時候，如果對方說出“雖然”兩個字，你大概就會猜測，對方後繼九成的可能性會說出“但是”。我們的大腦看起來就好像是天生在用貝葉斯定理。
吳軍博士在他的著作《數學之美》裡面就提到了，最早的自然語言處理，比如翻譯、語音識別，都是通過語法分析來進行的，就是把“主謂賓”分析清楚，然後處理，正確率慘不忍睹。
後來，google由自然語言處理專家賈里尼克領導的部門，通過統計、概率方法進行上述研究，正確率提高了很多。在書中也列舉了貝葉斯定理是如何參與自然語言處理的。
書中還有一句業界廣為流傳的名言：
語法是人類後來總結出來的，我們天生是不需要語法就可以開口說話的，或許，人腦真的是貝葉斯大腦。
最後，有一個小小的問題，根據我們的經驗，硬幣正反兩面出現的概率都是50%。如果我扔了一千次都是正面，那說明了什麼？
閱讀更多 媒體精選 的文章
