深度学习为什么深度学习需要概率？（七）
1. 定位导航
从本篇开始进入概率与信息论，深度学习的第二大数学支柱（第一个是线性代数）。
概率论在 AI 领域有两大用途：
- 设计算法：概率法则指导 AI 系统如何在不确定性下推理
- 分析系统：用概率和统计理论分析 AI 系统的行为
2. 核心问题：确定性世界的崩塌
计算机科学的大部分领域处理的是完全确定的实体——CPU 完美执行每条指令，数据结构精确存储每个比特，算法在给定输入下总是产生相同的输出。程序员通常不需要担心"也许这次加法的结果和上次不一样"。
但机器学习从根本上不同。它必须处理不确定量，有时甚至是随机量。
一个训练好的图像分类器看到一张模糊的照片，它不能说"这是一只猫"——它只能说"这有 87% 的概率是一只猫"。这个 87% 从何而来？为什么不能给出一个确定的答案？
3. 不确定性的三个来源
不确定性并非来自"我们不够聪明"，而是有三个根本性的来源：