AI —— Bayes Rule

重点一、Bayes’ Rule 贝叶斯法则
P(a | b) P(b) = P(a, b) = P(b | a) P(a)
P(a | b) = P(b | a) P(a)/P(b)

基础概率论知识：
全概率公式==》由条件推结论

贝叶斯公式==》由结论去判断条件

重点二、条件独立
绝对独立：

P(x,y) = P(x)P(y)
P(x|y) = P(x)  or  P(y|x) = P(y)

由联合概率公式的链式法则，可以简化条件独立下的链式法则：

P(G, C1,1 , … C3,3) = P(G) P(C1,1 | G) P(C1,2 | G) P(C1,3 | G) …
P(C3,3 | G)

条件独立性是我们关于不确定环境的最基本和最强大的知识形式。
Conditional independence is our most basic and robust form of knowledge about uncertain environments.

X is conditionally independent of Y given Z if and only if:
（在给定Z的条件下，X与Y是独立的当且仅当:）
∀ x,y,z
P(x | y, z) = P(x | z)
or, equivalently, if and only if
∀x,y,z