资料来源：https://www.youtube.com/watch?v=HZGCoVF3YvM
公式：
(E: Evidence, H: Hypothesis)
理解等级：
1、贝叶斯定理是什么？
2、贝叶斯定理为什么是真的？
3、贝叶斯定理在什么时候是有用的？
Example-Part1：
P(H|E)的意义
后验概率，posterior
给定一个人的性格描述：meek and tidy soul，判断他是图书管理员（librarian）还是农民（farmer）；
有200个农民和10个图书管理员，其中4个图书管理员和20个农民符合描述，
那么此人是图书管理员的可能性是16.7%（注：计算的不是总体样本，而是符合先验条件，也就是符合描述，的样本）
Example-Part2：
P(E|H)的意义
似然概率，likelihood
给一个例子：Steve是一个图书管理员，他的性格描述有：shy and withdrown, meek and tidy soul
判断此人是图书管理员的情况下，其性格描述有shy and withdrown的可能
P(H)的意义
先验概率，prior
也就是200农民+10图书管理员的情况下，一个人是图书管理员的概率是
P（H=图书管理员）=
P(E)的意义
What' s more
思考：
这210个样本的选取问题，这个Steve是提问者的朋友？还是想认识的人？
如果选取的样本有200图书管理员和10农民，或者选取的样本里大多数人的性格都有meek and tidy soul这样的形容（因为提问者本人认识的都是这样的人）等等原因...
造成了对样本统计的影响（无论是基于熟悉的人有共性，或者单纯刻板影响），都是先验的信息，所以在迭代过程中，先验概率也一直在改变。
总结：
举的例子很接地气，但是具体算法实现还是要自己推一推，做个仿真看看。
词汇学习：
spoiler alert 剧透警告
meek 温顺的
