先从一个日常问题入手
我们假设 （以下均为假设概率，方便理解没有任何实际意义）
A事件为：一个人得癌症。
B事件为：一个人吸烟。
P(A) 为一个人得癌症的概率。 假设为1%。
P(B) 为一个人吸烟的概率。假设为2%。
现在你是一名医生，此时一个人来看病，疑似癌症。则根据先验概率（就是上面假设的已知情况），此人得癌症的概率为 1%。 经过你这位老中医一顿望闻问切， 了解到这个人吸烟。现在请问这个人得癌的概率是多少？
根据概率算法， 一个人得癌，又同时吸烟，则 P = P(A)*P(B) = 0.02% 。
是这样么？ 感觉上应该不像， 因为这个情况，与我们初中生物学习遗传特性即是双眼皮、又是血型A的概率不大一样，遗传占比的概率计算上是独立的，可以直接相乘。
但我们知道吸烟与癌症有一定的关系， 假设得已知得癌症的人，吸烟的人占比50%。
所以P（A|B） (代表得知吸烟后得癌的概率，即在B消息出现后，A事件的概率) 应该得另有计算方法。
如图，我们从理论上看下这个问题。
P（A ∩ B） （为A和B交集部分）
= P(A) * P(B|A) ( P(B|A)代表，A的样本中， B的占比； 或事件B的概率，在A事件出现后的发生概率)
= P(B) * P(A|B) （同上，站在B的角度）
则推导 P（A|B） = P(A) * (P(B|A) / P(B))
回到医生问题上， P（A|B） 代表医生得吸病人吸烟后，重新评估其得癌症的概率。
P(A) 代表普通人得癌的概率 1%
P(B|A) / P(B) 代表其于新的消息，对已有的先验概率的修正。 50% / 2%。
则此时 P（A|B） = 1% * （50% / 2%） = 25%。
妈呀， 这个概率一下子提升了这么高！ 是的， 这说明这两个事件关联性非常强， 做为医生的你，因为懂得这个理论，对于一类病症，能找出关系性非常大的一系列表现，看病非常准，而被称为这神医。
这个分析过程，即被称为贝叶斯分析
难道这就是用于人工智能的贝叶斯分析？每个人大脑中都有的贝叶斯？
是的，原理就是这样，贝叶斯人就不介绍了，百度即可。
贝叶斯分析思路，对于积累证据来推测一个事物的发生概率具有非常大的作用。当我们要预测一个事件时，我们需要根据这个事件已有的先验概率，然后在证据不断积累的情况下，调整这个事件的发生概率。通过积累证据来得到一个事件发生概率的过程，被称为贝叶斯分析。
如在智能机器人识别你今天的心情，根据已有经验，生气概率为25%。 此时机器人听到你说话的语气很怪，又通过面部识别，发现你的脸比平时长了1cm， 于是机器人通过一系统程序员已写好的代码运算，判断你今天生气的概率为95%，于是乖乖的躲在角落，以免殃及池鱼。
好，说了这么多废话，来道题目检测学习情况
一机器在良好状态生产合格产品几率是 90%，在故障状态生产合格产品几率是 30%，机器良好的概率是 75%。若一日第一件产品是合格品，那么此日机器良好的概率是多少。
A：代表机器良好
B：第一台产品良好
P(A) :代表机器良好概率， 毫无疑问 75%
P(B)：代表生产第一台为良品的概率 = 0.75 * 0.9 + 0.25 * 0.3 = 0.75
P(B|A):代表机器良好时，生产合格产品的概率 = 0.9
则P(A|B) = P(A) * (P(B|A)/ P(B)) = 0.75 * 0.9 / 0.75 = 0.9 = 90%
