概率需要条件
概率模型描述不确定事件，不会自动把相关关系变成因果关系。条件概率 P(A|B) 表示在 B 已发生的条件下考虑 A；它通常不同于 P(B|A)。传感器检测到障碍与确实存在障碍之间，还隔着先验、漏检和误报。
期望是按概率加权的平均，方差描述围绕期望的波动。样本均值随采样方式和样本量变化；同一段连续视频的相邻帧高度相关，不能简单当作大量独立样本。
测量结果怎样报告
比较两个算法时，固定输入分布与环境，做多次独立或恰当设计的重复实验，保留原始数据。除了均值，也观察分位数、波动和失败比例。异常值可能来自真实尾部行为，不能仅因不符合预期就删除。
从损失函数到参数更新
令损失为 (x-3)^2，导数为 2(x-3)。梯度下降沿负梯度更新参数，步长决定每次移动的幅度。
x = 0.0
for _ in range(100):
gradient = 2 * (x - 3)
x -= 0.1 * gradient
assert abs(x - 3) < 1e-6
这个凸的一维例子容易收敛，不能据此保证任意神经网络都找到全局最优。约束、尺度、初始值、学习率与随机噪声都影响实际训练。评估需要单独保留的数据，不能反复在测试集上调参。
练习
把学习率分别改为 0.01、0.9 和 1.1，记录轨迹并解释不同现象。再设计一个罕见事件检测例子：即使检测器准确率看起来很高，也可能产生较多误报，明确每个条件概率的方向。