Koşullu olasılık, yeni bir bilgi öğrendiğimizde mümkün gördüğümüz sonuçları ve onlara verdiğimiz olasılıkları nasıl değiştirmemiz gerektiğini anlatır; Bayes Teoremi ise gözlenen bir belirtiden, test sonucundan veya veriden yola çıkarak bunun arkasındaki olası nedenler hakkında yeniden düşünmemizi sağlar. Bu makalede koşulun örnek uzayı nasıl daralttığını günlük örneklerle kuracak; çarpım ve toplam olasılık kurallarından Bayes Teoremi'ni adım adım türetecek, taban oranı yanılgısını sayılarla inceleyecek ve bu düşüncenin sınıflandırma, spam filtreleme ve belirsizlik altında karar verme gibi yapay zekâ uygulamalarındaki rolünü göreceğiz.

Olasılık, sonucu önceden kesin olarak bilemediğimiz durumlarda belirsizliği sayılarla anlatmamızı sağlar. Bir zarın hangi yüzünün geleceğinden yarın yağmur yağıp yağmayacağına, bir görüntünün hangi sınıfa ait olduğundan dil modelinin sıradaki kelime seçimine kadar pek çok problem olasılık düşüncesine dayanır. Bu makalede rastgele deney, sonuç, örnek uzay ve olay kavramlarını günlük örneklerle kuracak; tümleyen, birleşim ve kesişim işlemlerini, bağımlı ve bağımsız olayları, gözlenen sıklık ile teorik olasılık arasındaki farkı ve bütün bunların yapay zekâ açısından anlamını adım adım inceleyeceğiz.