想像一下，公司換了新咖啡機，廠商信誓旦旦地說：
「這台有 90% 機會 煮出好喝的咖啡！」
你滿懷期待地按下第一杯，結果——苦得像中藥。
這時候，不同的人會有不同反應：
- 頻率派（Frequentist）：認為機率就是「長期重複事件的比例」。 他們會說：「這只是一次失敗，下次還是有 90% 機會成功。」
- 貝氏派（Bayesian）：認為機率是「我們對事件的信心程度」。 他們會把這一次的失敗，和原本的假設結合，重新計算機率，可能會覺得「90% 這數字太樂觀了」。
這種「根據新資訊隨時更新看法」的想法，聽起來有點反直覺，
但它正是 貝氏方法（Bayesian Methods） 在機器學習中重要的原因——現實世界永遠會給我們新資料，模型必須跟著更新。
📍 為什麼要學機率？
在機器學習（Machine Learning）裡，不確定性（Uncertainty）無處不在：
- 你收集的資料可能有「雜訊」（Noise，意思是資料裡不重要甚至干擾的部分）
- 模型（Model）的預測，不可能 100% 準確
- 新的資料進來，舊的結論可能要被推翻
機率（Probability） 就是幫我們用數字描述「不確定性」的語言，讓電腦和人都能理解。
🎲 什麼是隨機變數？
隨機變數（Random Variable） 是一種用數字表達隨機事件結果的方法。
它分成兩種：
- 離散型（Discrete）：結果只能是固定幾種，例如擲骰子的點數、顧客數量
- 連續型（Continuous）：結果可以是無限多種，例如身高、氣溫
簡單來說，隨機變數就像是機率世界裡的「角色代號」，幫我們把「可能性」轉成能計算的數字。
✏️ 小測驗：你是哪一派？
假設某餐廳說，新甜點有 80% 的顧客會喜歡。
你第一次點，結果覺得超難吃。
你會：
A. 覺得只是運氣不好，下次還是有 80% 機率好吃 ➡️頻率派
B. 覺得 80% 可能被高估，開始懷疑這個數字 ➡️ 貝氏派
✅ 這篇只是機率地圖的第一步。
下一篇，我們會從「隨機變數」走向「機率分布（Probability Distribution）」， 讓你看懂不同情況下，事件的發生機率是怎麼分布的，並且能用在機器學習的判斷中。
