6.概率论

概率论在深度学习中也有着广泛的应用。由于深度学习模型通常包含大量的参数和复杂的结构，因此在实际应用中很难直接找到最优解。此时，我们可以利用概率论中的相关概念和方法，如贝叶斯推断、最大似然估计等，来估计模型的参数或评估模型的性能。

此外，深度学习中的很多方法，如正则化、dropout等，都是基于概率论的思想来设计的。这些方法通过引入随机性来降低模型的复杂度或防止过拟合，从而提高模型的泛化能力。因此，掌握概率论的基础知识对于理解和应用深度学习中的这些方法也是非常重要的。

概率论的不同学派和它们的基本观点

1. 概率论的定义与重要性：
   • 概率是用来描述随机事件发生的可能性的数字量度。
   • 在我们的生活中，不确定性和随机性无处不在，而概率论正是量化这种不确定性的学科。
   • 深度学习中的许多方面，如模型的准确率、不确定性和损失函数，都与概率论密切相关。
2. 概率论的学派：
   • 频率学派：
     • 代表人物：雅各布·博努利
     • 观点：概率是通过大量重复实验得到的频率的近似值。
     • 优点：直观、易于理解
     • 缺点：重复实验成本高，且不适用于无法重复的实验场景
   • 古典学派（又称等可能学派）：
     • 观点：在缺乏先验知识的情况下，认为所有未知事件发生的概率是相等的。
     • 示例：抛硬币、掷骰子