1. What is a Bayes net?
贝叶斯网是一个模型。 它反映了正在建模的世界的某些部分的状态，它描述了这些国家如何与概率相关联。 该模型可能是您的房子，或您的汽车，您的身体，您的社区，生态系统，股票市场等。绝对任何东西都可以由贝叶斯网络建模。 模型的所有可能状态都表示可能存在的所有可能的世界，即可以配置部件或状态的所有可能的方式。 汽车发动机可以正常运行或发生故障。 轮胎可以充气或平坦。 你的身体可以生病或健康，等等。
那么概率在哪里进来？ 那么一般情况下，一些state会在其他state存在时更频繁地发生。 因此，如果你生病了，流鼻涕的机会就会更高。 如果是阴天，下雨的机会较高，依此类推。
这是一个简单的贝叶斯网络，说明了这些概念。 在这个简单的世界中，让我们说天气可以有三个状态：阳光充足，多云或多雨，而且草也可以是湿润或干燥的，而且喷头可以打开或关闭。 现在这个世界有一些因果关系。 如果是下雨的话，那草就会直接湿润。 但如果长时间晴朗，那么也可以通过让我们打开喷头来间接地把草打湿。
当反映实际天气，草坪和喷洒器使用行为的现实的实际可能性，这样的网可以回答一些有用的问题，如“如果草坪是湿的，什么是 这是由雨水或喷水器造成的机会“，”如果雨的机会增加，这怎么会影响我预算的时间来浇灌草坪“。
这是另一个简单的贝叶斯网叫Aisa。 这是一个很受欢迎的例子，介绍贝叶斯网，来自Lauritzen＆Spiegelhalter88。 请注意，仅作为举例目的，不应用于真正的决策。
这是一个网络的简化版本，可用于诊断到达诊所的病人。 网络中的每个节点对应于患者的某些状况，例如“访问亚洲”表示患者是否最近访问了亚洲。 任何两个节点之间的箭头（也称为链接）表示存在这些两个节点的状态之间存在的概率关系。 因此，吸烟会增加肺癌和支气管炎的机会。 肺癌和支气管炎均增加呼吸困难（呼吸急促）的机会。 肺癌和结核病，但通常不是支气管炎，都可能引起肺部异常的X光。 等等。
链接箭头的方向大致对应于“因果关系”。 这是图中较高的节点倾向于影响下面的节点，而不是或至少比其他方式更多。
2、Probabilities need not be exact to be useful
有些人已经避开使用贝叶斯网，因为他们认为如果他们所依据的概率是准确的，他们才会运作良好。 这不是真的。 事实证明，大概的概率，即使是被猜测的主观概率，也给出了非常好的结果。 贝叶斯网对于不完美的知识通常是相当强大的。 通常，几条不完美知识的结合可以使我们作出惊人的强大结论。
3、 Causal Conditional Probabilities are easier to estimate than the reverse
研究表明，人们在向前推进方面更好地估计概率。 例如，医生相当擅长给出“如果患者患有肺癌，X线检查异常的机会是多少”的概率估计值，而不是相反，“如果X射线异常，那么什么 是肺癌的原因吗？