Bayes' Theorem 贝叶斯定理

这是哈佛动态生医指标中心的培训课程：Bayes' Theorem (贝叶斯定理) 的介绍和它的应用。授课老师：Prof. Chung-Kang Peng (彭仲康)。

[@80oo0oo08]

看了很多讲贝叶斯的视频，这个讲得最清楚的，感谢播主。

[@zhuoranl8050]

是我目前看过最清楚的中文讲解，感谢！

[@清扬黄]

学习机器学习的算法，想找类似的算法视频，怎么找，太多视频讲的不清楚，这个视频真的很好理解，很烦国内的垃圾视频让我浪费时间，跪求类似视频集合，用来学习技术学习

[@jeanhwang18]

说得很清楚~用图形的方式来解释贝叶斯定理很棒。第三次再检验，确认患病的概率是 0.9918。贝叶斯的迭代验证太强了。

[@dinglee7134]

讲得非常清晰，强烈推荐！

[@neko_nokioku]

看了好几个视频，这个讲的最清楚😀

[@ideastshoa6383]

精彩的講解！你的課程，我會好好去看。

[@kunvin]

内容讲得透彻，精准！难得的暖心老师！中文听起来更亲切，温馨。

[@takeiteasydragon]

I really like the teaching style, which is concise and visually evident. Learned a lot from the video. Thanks a lot !

[@yanfenfang4810]

说的全面又易懂，很感谢

[@JealynC]

好清晰，太感谢了

[@glin530]

解释得很清晰

[@FusungWang]

很棒的講解，感謝老師!

[@CM24W]

感激。 讲得很清楚🙏🏼🙏🏼。 刚好是目前读的科目

[@RayGuo-bo6nr]

Thank you so much!!!!

[@ic3100]

太清晰了,清晰得不得了

[@CFF2024]

第三次的结果是0.9915，患病的可能性是99%； 老师讲的太好了，禁不住听老师的话自己手算了第三次的结果；我在荷兰的家庭医生，最开始就是用这个理论告诉我，荷兰没有居民的年度体检，因为异常指标不能说明真正患病，但是，虽然第一次测试的结果概率低，但是越多测试，越能逼近真相，所以还是应该多做体检，请问我这样理解对不对？

[@kueichenglee7583]

謝謝

[@嚴建勝]

感謝分享

[@xin-t2k]

我想问一下假设符合图书管理员的有这样的个性p(E/H)=0.5 和假设农民有这样的个性=0.1 这两个数据是可以是任何数吗还是有啥别的因素

[@enerate123]

这是目前中文讲解贝叶斯定理最好的视频 不知可否授权转载到B站让更多人受益？

[@willliamape6297]

谢谢！！！

[@erauncertain4273]

如果第二次检测是阴性，那么患病的概率又是多少呢?

[@chunfazhang6681]

第一题，引用的数据有变换，一个邻居描述的Steve, 能接触到此问题的人，会认为该邻居周围认识的librarian 和farmer 的比例不会是1:50，可能librarian 比farmer还高，但在后面的说明时，librarian 和farmer 1:50的数据可能来自国家统计数字，在数据来源切换后，答案的解释的意义又在哪里？

[@huajunchen2790]

终于看明白了 谢谢

[@leewong34]

Thanks

[@shengu1226]

这么好的视频，播放量太少了

[@komikoa]

从患者的角度说，如果我被诊断患癌症了，误诊几率只有2%，那么我相信没有人会用贝叶斯来计算，觉得自己得病的概率只有4.几%。都会觉得自己98%是中招了 但是从医生的角度来看，每天检测了100个阳性的，只有4个左右是真的阳性，所以你大概率还是没有的癌症 真是矛盾啊，我们应该相信谁

[@yangchen1466]

看了好几个类似的视频都没讲清楚。只有这个最清楚。

[@freedomking6264]

条件概率，给力

[@singo1232001]

第一題 我能感受到我直覺偏誤 能用數學修正直覺 但第二題 我認知出現一個大問題 (我相信影片講的是對的) 但我感受不到我錯 直覺轉不過來

[@owen1226]

正常。因为这里讲的 prior probability 是 sample space。但一般人不会没事去检验是否得某种疾病，所以现实中的 prior probability 应该是已经出现若干症状得某种疾病的概率。而且人验出疾病，直觉肯定是先从自己生活习惯，遗传问题去想，心中的 prior probability 被进一步推高。

[@RayY-r4j]

这里的用词，明显是大陆中国人做出来的