一、概率就是“长期来看这件事发生的比例”你早上看天气预报说“降水概率30%”。你心想才30%不带了伞。结果下午淋成落汤鸡。你骂天气乱报不用。因为30%的意思是如果像今天这样的天气有100天那么大概有30天会下雨。你只是赶上了那30天里的一天。概率说白了就是长期比例。0到1之间的数字0代表“基本不可能”1代表“板上钉钉”。硬币正面是0.5太阳从东边升起接近1你中彩票头奖接近0。就这么简单。二、条件概率就是“知道了一个新消息你的判断就会变”还是下雨的事。天气预报说30%概率下雨但你推开窗户一看满天乌云闷得要命。你还会觉得只有30%吗不会。你会说“八成要下了”。你看新消息乌云改变了你的判断。这就是条件概率。再举个更简单的例子。一个袋子6个红球4个蓝球。你闭着眼摸一个球摸到红球的概率是60%这没问题。现在我告诉你一个消息我偷看了一眼摸出来的这个球是红色的。然后我问你它是红色的概率是多少你肯定说100%啊你都告诉我了。这就是信息的力量——能让概率变成0或1。再复杂一点点。我从袋子里连续摸两个球不放回。在摸之前第一个球是红色的概率是60%。现在我问你如果我知道第二个球是红色的那么第一个球是红色的概率是多少还会是60%吗不是了。因为第二个球是红色这个信息会让我稍微觉得“第一个球可能不是红色”。算下来大概是55.6%比60%低了一点。为什么因为如果两个都是红的这种情况其实比“第一个蓝、第二个红”要少一些。所以知道第二个是红之后你反而会稍微降低对第一个是红的信心。一句话总结新消息来了原来的概率就要重新算。三、贝叶斯定理就是“从结果倒推原因治好你的瞎恐慌”你体检拿到一份报告阳性。你吓坏了。医生说这个检测准确率95%。你是不是觉得自己有95%的概率得病了别慌。我们先不说公式用数字讲故事。假设这个病10000个人里只有1个人得发病率0.01%。真的很少见。检测准确率95%的意思是如果你真有病它有95%的概率查出阳性很准。如果你没病它也有95%的概率查出阴性也就是说有5%的概率误报为阳性。现在有10000个人去检测。真正有病的人1个。他大概率被查出阳性。没病的人9999个。其中有5%会被误报为阳性也就是大约500个人会拿到假阳性报告。所以总共查出阳性的人数 1真 500假 501人。你就在这501人里。你是真有病的概率是多少1除以501大约0.2%——还不到1%惊不惊喜一个“95%准确”的检测在你没有任何症状只是普筛的情况下阳性结果只意味着不到1%的概率真得病。为什么会这样因为病太罕见了。假阳性虽然只有5%但健康人太多了所以假阳性的数量远远超过真阳性。这就是贝叶斯定理的核心先看这件事本来有多罕见再看新证据最后更新判断。如果本来就很罕见再准的检测也不能轻易下结论。这个道理生活中到处能用一个冷门新闻突然火了不一定是真的一个陌生人说他是警察不一定是真的一个罕见病的阳性报告不一定是真的。四、概率分布就是“各种结果出现的胖瘦分布”你肯定听说过“正态分布”就是那个中间高、两边低的钟形曲线。比如人的身高大部分人是中等个特别高和特别矮的都很少。为什么很多东西都长这样因为中心极限定理——一个结果如果是很多小因素加起来的最后就会变成钟形。举个例子。你每天上班路上花的时间受红绿灯、堵车、天气、出门时间、电梯……无数小东西影响。大多数时候你都在一个“正常时间”内到公司偶尔特别顺偶尔特别堵。画出来就是一座小山。再比如考试成绩大部分人考中等分数极少数考满分或零分。理解了正态分布你就理解了“大多数人是普通人”这个事实。五、极大似然估计就是“从你看到的结果猜最可能的原因”你拿到一枚硬币不知道它是不是均匀的。你抛了3次结果是正、正、反。你猜这枚硬币正面朝上的概率是多少直觉告诉你2次正面1次反面所以大概是2/3。没错。这个直觉就是极大似然估计——找那个最有可能产生你看到的这些数据的参数。你每天都在这么干同事10次开会迟到了8次你猜他迟到的概率是80%。你在家门口连续三天看到同一只猫你猜它是流浪猫。短视频平台看到你连续点赞了10条猫视频就猜你喜欢猫以后多给你推猫。所有人工智能的学习本质上都是这个道理给一堆数据找出最合理的规律。总结概率就是长期比例。条件概率就是新消息来了要改判断。贝叶斯定理就是从结果倒推原因别忘了先看事情原本有多罕见。正态分布就是中间多两头少。极大似然估计就是从数据猜最可能的参数。这些不是数学家的玩具是你每天做决定时都在用的本能。下次再遇到不确定的事你就可以说这不就是个概率问题嘛。