许多机器学习方法都基于概率推理。本章回顾概率论的要点，以便为后续讲解的统计方法打下扎实的基本功。我们首先从样本空间和事件的定义开始，接着介绍条件概率 ($P(A|B)$) 和独立性。您将学习贝叶斯定理，它是一个根据新证据更新概率的重要工具： $P(B|A) = \frac{P(A|B)P(B)}{P(A)}$ 本章介绍随机变量，涵盖离散型和连续型，并讲解计算其期望值 ($E[X]$) 和方差 ($Var(X)$) 的方法。最后，我们将演示如何使用 Python 实现这些基本的概率内容。