机器学习里的概率

回顾九讲，一条路走到 AI。从随机现象出发，我们学会了条件概率、期望与方差、常见分布、大数定律、贝叶斯更新、统计推断——现在揭开谜底：机器学习从头到尾都是概率。

模型输出的是概率，不是答案。图片分类模型看到一张照片，输出的不是「这是猫」，而是「猫 90%、狗 8%、其他 2%」——一个完整的概率分布。训练模型时，损失函数要惩罚的正是「正确类别的概率不够高」；著名的交叉熵损失，本质就是在度量「模型分布」和「真实分布」差多远。

训练 = 在大数定律里找规律。模型从几十万张图片中学习——单张图片有偶然（光线、角度、噪点），但海量样本让真正的统计规律浮出水面，这正是大数定律在起作用。样本不够或抽样有偏（比如训练集全是白天拍的猫），模型就学歪——第三节统计推断的教训，在 AI 里原样重演。

贝叶斯视角看学习：先验 = 模型没见过数据时的初始猜测，数据 = 证据，训练 = 不断用证据更新信念。垃圾邮件过滤、推荐系统「猜你喜欢」，都是贝叶斯思维的工业版。

下一步：《动手学深度学习》。这门课是李沐等专家合著的开源教材，免费阅读于 zh.d2l.ai，用 PyTorch 边讲边跑代码。它的章节路线是：预备知识（含概率一章，正是我们这九讲的内容）→ 线性网络 → 多层感知机 → 卷积网络 → 循环网络 → 注意力 → 优化与计算性能 → 计算机视觉与自然语言处理。读它的「概率」一节，你会见到老朋友：随机变量、期望、贝叶斯定理——只是换成了更严谨的记号。

给家长的路线图：概率九讲（本课）→ Python 基础 → 机器学习概念 → 深度学习入门 → d2l 原书。每一步都不需要天赋，需要的是把每一步走实。

练一练：打开 zh.d2l.ai，找到预备知识里的「概率」一节，扫一眼目录，圈出三个你已经认识的名词。