簡單的舉個例子吧！

打麻將的高手，利用的就是貝葉斯機率定理。

一副麻將是144張，每種牌有4張，按照傳統的機率來算，隨便摸一張牌，這張牌是1條的機率是4/144，也就是1/71

貝葉斯機率，根據已經打下的排面來猜測，剩餘的牌出現的機率。

比如說，你有一對1條，但是外面2、3、4條都出的差不多了，但是牌面上1條一個都沒有出現，那你可能可別人對死了。

那你摸到1條的機率是0，按照傳統的機率，摸到一條的機率是2/剩餘的牌。

貝葉斯機率定理，可以根據已有的資料機率，推算出未知的資料機率。是目前機器學習、人工智慧領域的非常底層核心的定理。

也就是說，沒有貝葉斯機率定理。

機器學習、人工智慧無從談起。

這也是為什麼，目前很多人在學習貝葉斯機率定理的原因。有相關的書籍：《貝葉斯思維》、《現代貝葉斯統計學》等等。

貝葉斯簡單來說就是條件機率。

在A發生的情況下，B發生的機率。

例如，在明天下雨的情況下，你正常上班的機率。

人生就是一個個貝葉斯的疊加。在一件事情已經發生時候，做另外一件事情的機率。

說完定義，再舉個例子，已婚男人努力工作的機率。所有的都是貝葉斯。

貝葉斯機率定理

貝葉斯定理是關於隨機事件A和B的條件機率（或邊緣機率）的一則定理。其中P(A|B)是在B發生的情況下A發生的可能性。

貝葉斯定理也稱貝葉斯推理，早在18世紀，英國學者貝葉斯(1702～1763)曾提出計算條件機率的公式用來解決如下一類問題：假設H[1],H[2]…,H[n]互斥且構成一個完全事件，已知它們的機率P(H[i]),i=1,2,…,n,現觀察到某事件A與H[1],H[2]…,H[n]相伴隨機出現，且已知條件機率P(A|H[i])，求P(H[i]|A)。

貝葉斯公式（發表於1763年）為：

這就是著名的“貝葉斯定理”，一些文獻中把P(B[1])、P(B[2])稱為基礎機率，P(A│B[1])為擊中率，P(A│B[2])為誤報率

搜尋巨人Google和Autonomy，一家出售資訊恢復工具的公司，都使用了貝葉斯定理（Bayesian principles）為資料搜尋提供近似的（但是技術上不確切）結果。研究人員還使用貝葉斯模型來判斷症狀和疾病之間的相互關係，建立個人機器人，開發能夠根據資料和經驗來決定行動的人工智慧裝置。