这是我喜欢的一篇科普文，开篇便是那么直白。我实在是觉得喜欢，便在这里把它mark。

概率论只不过是把常识用数学公式表达了出来。

——拉普拉斯 

贝叶斯方法如果用最简单的表述的话，就是：P(B|A) = P(AB) / P(A) 或者说 P(h | D) = P(h) * P(D | h) / P(D)。贝叶斯当初为了解决这样的问题“”如果我们事先并不知道袋子里面黑白球的比例，而是闭着眼睛摸出一个（或好几个）球，观察这些取出来的球的颜色之后，那么我们可以就此对袋子里面的黑白球的比例作出什么样的推测” ，他很顺理成章地想出了这个方法。但是最近的几十年以来，贝叶斯被信息领域采用，它成为了机器学习的核心。简单来讲，机器学习就是让计算机通过学习来预测不熟悉的事物，而这恰恰是贝叶斯方法背后很深刻的思想，同时强调先验和后验概率。

这篇文章里讲到了很多简单却又深刻的道理，摘出几段如下：

1、对于给定观测数据，一个猜测是好是坏，取决于“这个猜测本身独立的可能性大小（先验概率，Prior ）”和“这个猜测生成我们观测到的数据的可能性大小”（似然，Likelihood ）的乘积 

2、 最大似然还有另一个问题：即便一个猜测与数据非常符合，也并不代表这个猜测就是更好的猜测，因为这个猜测本身的可能性也许就非常低.

3、平面上 N 个点总是可以用 N-1 阶多项式来完全拟合 。如果过分去寻求能够完美解释观测数据的模型，就会落入所谓的数据的境地，一个过配的模型试图连误差（噪音）都去解释（而实际上噪音又是不需要解释的），显然就过犹不及了。

4、如果两个理论具有相似的解释力度，那么优先选择那个更简单的（往往也正是更平凡的，更少繁复的，更常见的）

当然还有很多需要细细地看了