承接上一章的概率知识，我们将重心转向随机现象结果的组织方式。概率分布提供了一种条理分明的方法，以说明随机变量不同可能结果的概率。它们是对不确定性进行建模和掌握数据模式的必要手段，这些都是机器学习中的常见任务。

在本章中，您将学会：

• 明确概率分布的定义。
• 区分离散分布和连续分布。
• 使用概率质量函数（$PMF$）来描述离散结果。
• 了解主要的离散分布：伯努利分布和二项分布。
• 使用概率密度函数（$PDF$）来描述连续结果。
• 了解主要的连续分布：均匀分布和正态（高斯）分布。
• 掌握中心极限定理的核心思想。
• 运用Python库从这些分布中生成随机样本。

到本章结束时，您将熟悉几种常见的概率分布，以及如何在理论和编程层面处理它们。