[人工智慧導論](https://app.notion.com/p/3e6fc631b0308131b213f0a3d93fe91d) › [W4（10/1）](https://app.notion.com/p/3ecfc631b03081e895d2c5f3aec0353e) › 04｜Ch12 Part 3（2021 錄影）影片 [0:18:47–0:31:39](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1127s)｜投影片 Ch12 p.48–55｜上一章 [03 貝氏定理與腦膜炎例子（0:00–0:18）](https://app.notion.com/p/3ecfc631b0308195b80eee3967f27362)｜下一章 [05 貝氏網路的定義與警報器例子（0:00–0:19）](https://app.notion.com/p/3ecfc631b0308143bb9bc5ea30a57b40)
## 重點
1. 證據越多，判斷越準：牙醫先知道「牙痛」，再知道「探針卡住」，有蛀牙的機率就從只知道牙痛時的 0.6（上一支影片算過）更新成 0.871。
2. 變數一多，整張聯合機率表會大到估不出來；貝氏定理把問題倒過來問，條件獨立再把它拆成好幾個小塊相乘，要估的數字從「翻倍成長」變成「一個一個加」。
3. 「一個原因、多個症狀，症狀之間在給定原因後互不影響」這種模型叫單純貝氏模型（naive Bayes）。假設不完全對，但實際很好用，也是下一步貝氏網路的基礎。
## Exam-ready
- **Combining evidence**, P(Cavity | toothache ∧ catch) = α⟨0.108, 0.016⟩ ≈ ⟨0.871, 0.129⟩: "If we know the full joint distribution (Figure 13.3), we can read off the answer"（Ch12 p.48）
- 中文：如果手上有完整的聯合機率表，答案可以直接查出來：把「牙痛又卡住」的兩格 0.108、0.016 正規化，得到有蛀牙 0.871、沒蛀牙 0.129。白話：有整張表就能直接查。難字：full joint distribution（完整聯合機率分布）、read off（直接讀出）。
- **Bayes' rule reformulation**, P(Cavity | toothache ∧ catch) = α P(toothache ∧ catch | Cavity) P(Cavity): "We can try using Bayes' rule to reformulate the problem"（Ch12 p.49）
- 中文：查整張表在變數多時撐不住（投影片同頁前一句：does not scale up），所以用貝氏定理把問題改寫，改成估「有蛀牙時出現這些症狀的機率」再乘上蛀牙本身的機率；α 是讓總和變 1 的正規化常數。白話：從「看症狀猜病」改成「知道病，問症狀常不常見」。難字：reformulate（重新表述）。
- **2ⁿ combinations**: "If there are n possible evidence variables (X rays, diet, oral hygiene, etc.), then there are 2ⁿ possible combinations of observed values for which we would need to know conditional probabilities."（Ch12 p.49）
- 中文：如果有 n 個證據變數（X 光、飲食、口腔清潔等），觀察值就有 2 的 n 次方種組合，每一種都要知道條件機率。白話：證據每多一個，要估的數字就翻倍。難字：evidence variables（證據變數）、oral hygiene（口腔衛生）。
- **Additional assertions**: "We need to find some additional assertions about the domain that will enable us to simplify the expressions."（Ch12 p.50）
- 中文：我們需要對這個領域多做一些假設，才能把式子簡化。白話：不先假設點什麼，就算不動。難字：assertion（斷言、假設）、domain（領域）。
- **Independent given Cavity**: "These variables are independent, however, given the presence or the absence of a cavity."（Ch12 p.50）
- 中文：牙痛和探針卡住本身不獨立，但只要知道有沒有蛀牙，兩者就獨立了。白話：共同原因固定住，兩個症狀就互不相干。難字：presence（存在）、absence（不存在）。
- **Conditional independence**, P(X, Y | Z) = P(X | Z) P(Y | Z): "The general definition of conditional independence of two variables X and Y, given a third variable Z, is"（Ch12 p.52）
- 中文：給定第三個變數 Z 時，X 和 Y 條件獨立的一般定義，就是「X、Y 一起的條件機率」等於兩個條件機率相乘。白話：知道 Z 之後，X 不會再告訴你 Y 的事。難字：conditional independence（條件獨立）、given（給定）。
- **Scaling up**: "Conditional independence assertions can allow probabilistic systems to scale up; moreover, they are much more commonly available than absolute independence assertions."（Ch12 p.53）
- 中文：條件獨立的假設能讓機率系統擴大規模，而且它比絕對獨立常見得多。白話：真正完全無關的變數很少，但「給定原因後無關」很常見。難字：probabilistic（機率的）、absolute independence（絕對獨立）。
- **Naive Bayes model**, P(Cause, Effect₁, …, Effectₙ) = P(Cause) Πᵢ P(Effectᵢ | Cause): "The dentistry example illustrates a commonly occurring pattern in which a single cause directly influences a number of effects, all of which are conditionally independent, given the cause."（Ch12 p.54）
- 中文：牙醫例子是一種常見的模式：一個原因直接影響好幾個結果，而這些結果在給定原因時彼此條件獨立；聯合機率就等於原因的機率乘上每個結果的條件機率。白話：先看病常不常見，再一個一個乘上「這病會不會引起這症狀」。難字：single cause（單一原因）、effects（結果、症狀）。
- **Why "naive"**: "Such a probability distribution is called a naive Bayes model, 'naive' because it is often used in cases where the 'effect' variables are not strictly independent given the cause variable."（Ch12 p.55）
- 中文：這種機率分布叫單純貝氏模型；叫「天真」是因為它常被用在「結果變數在給定原因下其實沒有嚴格獨立」的情況。投影片也說它有時叫貝氏分類器（Bayesian classifier）。白話：明知不完全成立，還是假裝成立。難字：strictly（嚴格地）、naive（天真的）。
- **Works in practice**: "In practice, naive Bayes systems often work very well, even when the conditional independence assumption is not strictly true."（Ch12 p.55）
- 中文：實際上，就算條件獨立的假設不完全對，單純貝氏系統也常常表現很好。白話：假設粗糙，但夠用。難字：in practice（實際上）、assumption（假設）。
## [0:18:49](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1129s) 合併多個證據：牙痛加探針卡住
貝氏定理的另一個用處，是可以把好幾個證據合在一起用。牙醫原本只知道病人牙痛，心裡有一個「有蛀牙」的機率；探針伸下去卡住了，他就要用這個新證據更新判斷。查之前那張聯合機率表，把「牙痛而且卡住」的兩格拿出來正規化，得到有蛀牙 0.871、沒蛀牙 0.129，比只知道牙痛時（0.6）更確定。
為什麼多一個證據就要重算？因為新證據把「可能的世界」縮小了：只剩「牙痛又卡住」的那些病人，蛀牙在這群人裡占的比例，比在「只有牙痛」那群人裡更高。
生活比喻：像偵探辦案，一開始只有目擊者說「看到穿紅衣的人」，後來又找到腳印，每多一條線索就把嫌疑人名單再縮小一次。
考試可能怎麼問：Explain how the probability of a cause changes when a second piece of evidence is added.
這張圖在看牙醫的判斷怎麼一步一步更新：
```mermaid
flowchart LR
A["只知道牙痛"] --> B["有一個蛀牙機率"]
B --> C["探針下去：卡住"]
C --> D["更新：蛀牙 0.871"]
```
每一個新證據都是一個箭頭，箭頭後面的機率都會被改寫。
它到底怎麼運作？（進階，可跳過）
聯合機率表裡「牙痛而且卡住」的兩格：有蛀牙 0.108、沒蛀牙 0.016。
1. 兩格加起來：0.108 + 0.016 = 0.124。
2. 各自除以總和（正規化）：0.108 / 0.124 ≈ 0.871，0.016 / 0.124 ≈ 0.129。
3. 結果：P(Cavity | toothache ∧ catch) = 〈0.871, 0.129〉。
注意：老師口頭先唸「0.01」再改口「0.016」，以 0.016 為準。
老師原話是什麼？
- 「當我們有更多的資訊的時候，其實 Bayes' rule 呢，會讓我們有更彈性的這個能力來 combine 更多的 evidence」(0:19:01)
- 「這個時候醫生根據他有沒有卡住，他就得要去 update 他的那個 background knowledge」(0:20:04)
- 「你經過 normalize 之後呢，0.871 是有蛀牙的，0.129 是沒蛀牙的」(0:20:44)
## [0:21:08](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1268s) 變數一多查表做不下去，用貝氏定理改寫
剛剛能算出 0.871，是因為手上剛好有整張聯合機率表可以查。變數一多，這張表很難做出來，也不容易擴充。所以老師用貝氏定理把問題倒過來寫：P(Cavity | toothache ∧ catch) = α · P(toothache ∧ catch | Cavity) · P(Cavity)，分母用 α 代替（Ch12 p.49）。這樣就要知道「牙痛而且卡住」這個組合，在有蛀牙、沒蛀牙兩種情況下各自的條件機率。
為什麼倒過來比較好？因為「有蛀牙的人，有多少會牙痛、探針會卡住」這種數字，可以從看過的病人整理出來；反過來的「整張表每一格」在實際應用裡常常拿不到。
生活比喻：與其問「這個咳嗽的人是不是感冒」，不如先問醫學資料「感冒的人有幾成會咳嗽」，後者容易查到。
考試可能怎麼問：Why is it useful to rewrite P(cause | effects) as P(effects | cause) P(cause) using Bayes' rule?
它到底怎麼運作？（進階，可跳過）
沿用上一段的數字驗證：分子 P(Cavity) · P(toothache ∧ catch | Cavity) 其實就是聯合機率 P(Cavity, toothache, catch)。
1. 有蛀牙那一項的分子 = 0.108，沒蛀牙那一項的分子 = 0.016。
2. α 就是 1 / (0.108 + 0.016)，讓兩項加起來等於 1。
3. 乘完得到一樣的 〈0.871, 0.129〉。
所以改寫不會改變答案，只是換一種「需要知道哪些數字」的方式（我補充）。
要先懂什麼？
- 貝氏定理：P(A | B) = P(B | A) P(A) / P(B)。
- 分母 P(B) 對 A 的每個值都一樣，所以可以先不算，最後用 α 正規化。這就是老師說「我把分母省略用一個 α 來寫」(0:21:59)。
## [0:23:13](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1393s) N 個證據變數：2 的 N 次方種組合
牙痛和探針只是兩個證據。真的看診時還有 X 光、飲食習慣、牙齒清潔狀況等等。每個證據都是「有或沒有」，N 個證據就有 2 的 N 次方種組合，表格每一格都要估，根本做不完。
為什麼光靠貝氏定理還不夠？因為 P(所有症狀 | 蛀牙) 本身還是一張「所有症狀組合」的大表，大小一樣是指數級（我補充）。所以老師說需要對領域「再多做一些假設」才能簡化。
生活比喻：像點餐時每道配料都可以「加或不加」，配料一多，組合就多到菜單印不下。
考試可能怎麼問：Why does the full joint distribution become impractical when the number of evidence variables grows?
老師原話是什麼？
- 「如果今天有 N 個 possible 的 evidence variable，比如說你可以照 X 光啦，醫生問你的飲食狀況啦」(0:23:16)
- 「你各個機率每一格的機率都要預估的出來，那這個就難了」(0:23:40)
- 「we need to find some additional assertion about the domain that will enable us to simplify」(0:24:01)
## [0:24:14](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1454s) 獨立與條件獨立
如果牙痛和探針卡住完全獨立，就能直接拆開；但它們其實不獨立，因為都跟蛀牙有關，看到牙痛就會讓你覺得探針比較可能卡住。不過兩者都是蛀牙「直接造成」的：一旦已經知道有沒有蛀牙，牙痛就不會再告訴你探針的事。這叫條件獨立（conditional independence）。投影片給的理由（Ch12 p.51）：牙痛取決於牙齒神經的狀態，探針準不準取決於牙醫的技術，兩者互不影響。
為什麼不獨立卻能「條件獨立」？因為兩者之間的關聯全部來自共同原因。把原因固定住，關聯就消失了。老師也順口提到，像天氣這種跟牙齒完全無關的變數，才是真正（絕對）獨立，可以直接拆開。
生活比喻：同一班的兩個學生成績常常一起高、一起低，因為老師是同一位；如果已經知道是哪位老師教的，一個學生的成績就看不出另一個的成績。
考試可能怎麼問：Explain the difference between independence and conditional independence, using the toothache and catch example.
這張圖在看三個變數的因果關係：蛀牙同時指向兩個症狀，兩個症狀之間沒有直接箭頭。
```mermaid
flowchart TD
C["蛀牙 Cavity"] --> T["牙痛 Toothache"]
C --> K["探針卡住 Catch"]
```
牙痛和卡住的關聯只透過蛀牙這條路，所以給定蛀牙後兩者就獨立。
老師原話是什麼？
- 「這個有沒有牙痛跟探針有沒有卡住，可能是可能不是獨立的啦」(0:24:37)
- 「比如說再加上一個天氣，天氣跟這些都是獨立的，那就可以特別的拆開」(0:24:48)
- 「但是呢如果給定他是有蛀牙或沒蛀牙的基礎之上，他就有可能是獨立的囉」(0:25:12)
## [0:25:49](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1549s) 拆成相乘：從指數變線性
只要牙痛和探針卡住在給定蛀牙時條件獨立，P(toothache ∧ catch | Cavity) 就能拆成 P(toothache | Cavity) × P(catch | Cavity) 兩項相乘。整個聯合機率就變成：蛀牙的機率 × 牙痛的條件機率 × 卡住的條件機率。代回上一段的式子，就是 P(Cavity | toothache ∧ catch) = α P(toothache | Cavity) P(catch | Cavity) P(Cavity)（Ch12 p.51）。投影片還補一句：條件獨立比絕對獨立常見得多（Ch12 p.53）。
為什麼這樣就省很多？因為每個症狀只要估「跟蛀牙之間」的一小張表，不用估「所有症狀一起」的大表；症狀多一個，只多一小張。老師也提醒：數學上可以證明是不是條件獨立，但實際問題要靠大量資料統計，才知道是不是、或差不多是不是。
生活比喻：與其背整本「所有配料組合」的價目表，不如每種配料標一個加價，結帳時一項一項加。
考試可能怎麼問：How does conditional independence reduce the size of the probability model, and how can we check it in practice?
這張表比較拆開前後，每多一個症狀要多估多少：
| | 不拆（整張表） | 拆開（條件獨立） |
|---|---|---|
| 要估什麼 | 所有症狀組合的每一格 | 每個症狀「在有／沒有蛀牙時」的機率 |
| 多一個症狀時 | 格子數翻一倍 | 只多一小張表 |
| 成長方式 | 指數 | 線性 |
表格的重點在最後一列：條件獨立讓模型大小可以跟著變數數量平穩成長。
它到底怎麼運作？（進階，可跳過）
投影片的拆法（Ch12 p.53）：P(Toothache, Catch, Cavity) = P(Toothache, Catch | Cavity) P(Cavity)（product rule）= P(Toothache | Cavity) P(Catch | Cavity) P(Cavity)（用條件獨立）。
算一下省多少：假設有 1 個原因（蛀牙）和 N 個是非題式的症狀（我補充）。
1. 不拆：原因加症狀共 N + 1 個變數，整張表有 2 的 (N + 1) 次方格。N = 10 時是 2048 格。
2. 拆開：要 1 個事前機率 P(cavity)，加上每個症狀 2 個條件機率（有蛀牙時、沒蛀牙時），共 1 + 2N 個數字。N = 10 時是 21 個。
3. 再加一個症狀：不拆變成 4096 格，拆開只變成 23 個。
這就是老師說的「它是 linear 的 grow，而不是 exponential grow」(0:27:34)。
## [0:27:48](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1668s) 單純貝氏模型：一個原因多個症狀
把牙醫例子推廣：一個原因（某種病），同時出現好幾個症狀。這些一起發生的聯合機率，等於「這個地區有這種病的機率」乘上「有這病會出現症狀一的機率」，再乘上「有這病會出現症狀二的機率」，一路乘下去。能這樣拆開乘，全靠症狀在給定原因下條件獨立。這種機率分布叫單純貝氏模型（naive Bayes model）。
為什麼用「原因 → 症狀」的方向建模？因為醫學知識通常是這個方向記錄的（某病會引起哪些症狀），比較容易取得；要診斷時再用貝氏定理反推回原因（我補充）。
生活比喻：判斷一封信是不是詐騙，先看「詐騙信有多常見」，再一個一個看「詐騙信常不常出現『中獎』『匯款』這些字」，全部乘起來比較。
考試可能怎麼問：Describe the structure of a naive Bayes model and explain why its joint distribution can be written as a product.
這張圖是單純貝氏模型的樣子：一個原因指向所有症狀，症狀彼此沒有箭頭。
```mermaid
flowchart TD
C["原因（某種病）"] --> E1["症狀一"]
C --> E2["症狀二"]
C --> E3["症狀三"]
C --> En["……症狀 n"]
```
用文字說出計算步驟：先取原因的事前機率，再對每個症狀乘上它在這個原因下的條件機率，最後對每個可能的原因各算一次、正規化，機率最高的就是判斷結果（最後這步是我補充）。
它到底怎麼運作？（進階，可跳過）
公式：P(Cause, Effect₁, …, Effectₙ) = P(Cause) × P(Effect₁ | Cause) × … × P(Effectₙ | Cause)。
用牙醫例子代進去（只有兩個症狀）：P(Cavity, toothache, catch) = P(Cavity) × P(toothache | Cavity) × P(catch | Cavity)。從投影片 p.48 的表算出各個數字（我補充）：
1. 有蛀牙：P(cavity) = 0.2，P(toothache | cavity) = 0.12 / 0.2 = 0.6，P(catch | cavity) = 0.18 / 0.2 = 0.9，相乘 0.2 × 0.6 × 0.9 = 0.108。
2. 沒蛀牙：P(¬cavity) = 0.8，P(toothache | ¬cavity) = 0.08 / 0.8 = 0.1，P(catch | ¬cavity) = 0.16 / 0.8 = 0.2，相乘 0.8 × 0.1 × 0.2 = 0.016。
3. 兩項剛好等於表上的 0.108 和 0.016，正規化後回到第一段的 0.871 和 0.129。這張表的數字剛好完全符合條件獨立。
老師原話是什麼？
- 「有這個病的機率在乘上我有這個病產生出症狀一的機率在乘上我有這個病我會產生出症狀二的機率整個乘起來」(0:28:44)
- 「其實都是因為剛剛前面所說的 conditional independence」(0:29:07)
- 「這樣子的 probability distribution 叫做 naive Bayes model」(0:29:34)
## [0:29:39](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1779s) 為什麼叫 naive、實際表現
叫「naive（天真）」是因為現實中症狀通常不是嚴格的條件獨立，我們只是假裝它是。這樣假設之後數學計算簡單很多，所以常常這樣用。它又叫貝氏分類器（Bayesian classifier），實際應用在很多不同領域，效果都還蠻不錯。
為什麼假設錯了還能用？老師沒有細講。常見的說法是：分類只需要知道「哪個原因的分數最高」，就算每個機率值算得不準，排名常常還是對的（我補充）。
生活比喻：像面試官把「學歷」「經歷」「談吐」各自打分再合起來，明知這幾項彼此有關（學歷好的人經歷常常也好），還是當成互不相干來算；分數不完全精確，但誰排第一通常差不多對。
考試可能怎麼問：Why is the model called "naive", and why does it still work well in practice?
老師原話是什麼？
- 「理論上它其實不是完全的 conditional independent，但是我們假裝它是」(0:29:50)
- 「因為你數學上如果把它假設成是 conditional independent，那麼我們這數學的這個計算就會容易很多」(0:30:12)
- 「雖然即使這個 conditional independent assumption is not strictly true，它其實運作的也還蠻不錯的」(0:30:33)
## [0:30:50](https://www.youtube.com/watch?v=bJM9vgr6iy4&t=1850s) 總結與預告 Bayesian network
這部分從機率的基本介紹，一路導出最簡單的機率推論：用貝氏定理把問題倒過來、用條件獨立把它拆小。下一步就是貝氏網路（Bayesian network），同樣用貝氏定理和條件獨立，來推算各種事件的機率。老師說這個領域是 1980 年代到 2010 年這二三十年間 AI 最主要的主流之一。
為什麼單純貝氏之後要接貝氏網路？因為單純貝氏只有「一個原因」，現實中原因和結果會串成很多層，需要一張更一般的圖來表示誰影響誰（我補充）。
生活比喻：單純貝氏像一棵只有一根主幹的樹，貝氏網路則是一整張家族族譜。
考試可能怎麼問：How do Bayes' rule and conditional independence lead to Bayesian networks?
這張圖把這幾章串起來：
```mermaid
flowchart LR
A["機率基礎"] --> B["貝氏定理"]
B --> C["條件獨立"]
C --> D["單純貝氏模型"]
D --> E["貝氏網路"]
```
每一步都在讓「用機率推論」變得算得動。
注意：老師說「下一次上課」會講 Bayesian network，這是 2021 年錄影時的安排；今年接著看的是 Ch13 Part 1 影片，內容正好接上。
老師原話是什麼？
- 「最後的慢慢導出機率推論這件事，這是最簡單的一個機率推論」(0:30:59)
- 「利用 conditional independence 的這些內容，來進行一些事件機率的推導」(0:31:15)
- 「大概在1980年代到2010年的這二三十年間，最主要的一個主流」(0:31:24)
## Self-check
Q1. What is the difference between independence and conditional independence? Use the toothache and catch example.（中文：獨立和條件獨立差在哪？用牙痛和探針卡住來說明。）
**Answer**: Two variables are independent if knowing one never changes our belief about the other. Toothache and catch are not independent, because both are caused by a cavity: seeing a toothache makes a catch more likely. However, once we know whether the patient has a cavity, the toothache tells us nothing more about the catch. So they are conditionally independent given Cavity, and P(toothache ∧ catch | Cavity) = P(toothache | Cavity) P(catch | Cavity).
中文：獨立是「知道一個完全不影響另一個」。牙痛和探針卡住不獨立，因為兩者都是蛀牙造成的，看到牙痛就會覺得卡住比較可能。但只要已經知道有沒有蛀牙，牙痛就不會再透露探針的事，所以兩者在給定蛀牙時條件獨立，可以把「兩個症狀一起出現的條件機率」拆成兩個條件機率相乘。
Q2. Why does conditional independence make probabilistic reasoning scalable?（中文：為什麼條件獨立能讓機率推論可以擴大規模？）
**Answer**: Without any assumption, the full joint distribution over N yes/no evidence variables has 2 to the power N combinations, and every entry must be estimated, which grows exponentially. If the effects are conditionally independent given the cause, the joint distribution factors into the prior of the cause times one small conditional probability per effect. Then the number of values to estimate grows linearly with the number of variables, and each value is easier to obtain from data.
中文：不做假設時，N 個是非題式的證據有 2 的 N 次方種組合，每一格都要估，數量是指數成長。如果症狀在給定原因下條件獨立，聯合機率就能拆成「原因的事前機率」乘上「每個症狀各自的條件機率」，要估的數字變成隨變數線性成長，而且每個數字也比較容易從資料統計出來。
Q3. Why is the naive Bayes model called "naive", and why is it still widely used?（中文：單純貝氏模型為什麼叫「天真」？為什麼還是被廣泛使用？）
**Answer**: It is called naive because it assumes that all effect variables are conditionally independent given the cause, even though in real cases they are often not strictly independent. We make this assumption because it makes the mathematics much simpler. In practice, naive Bayes systems, also called Bayesian classifiers, often work surprisingly well in many different domains even when the assumption is not strictly true.
中文：叫「天真」是因為它假設所有症狀在給定原因後都條件獨立，但現實中症狀常常不是嚴格獨立，只是假裝成立。這樣假設的好處是數學計算簡單很多。實際上，單純貝氏系統（又叫貝氏分類器）即使假設不完全對，在很多不同領域的表現都還不錯，所以被廣泛使用。
Q4. Why do we rewrite P(Cavity | toothache ∧ catch) with Bayes' rule instead of looking it up in the joint table?（中文：為什麼要用貝氏定理改寫 P(Cavity | toothache ∧ catch)，而不是直接查聯合機率表？）
**Answer**: Looking it up only works if we already have the full joint table, which becomes too large and hard to obtain as variables are added. Bayes' rule rewrites the query as α P(toothache ∧ catch | Cavity) P(Cavity). Probabilities in the causal direction, such as how often a cavity causes a toothache, are usually easier to estimate, and with conditional independence they can be broken into even smaller pieces.
中文：查表的前提是手上已經有完整的聯合機率表，但變數一多，這張表太大、很多格子也拿不到。貝氏定理把問題改寫成「α 乘上蛀牙的機率，再乘上有蛀牙時出現這些症狀的機率」。這種「原因 → 症狀」方向的機率通常比較容易估，再配合條件獨立，還能拆成更小的幾塊。
讀完了嗎？下一章：[05 貝氏網路的定義與警報器例子（0:00–0:19）](https://app.notion.com/p/3ecfc631b0308143bb9bc5ea30a57b40)｜回到週頁：[W4（10/1）](https://app.notion.com/p/3ecfc631b03081e895d2c5f3aec0353e)