Bayesian inference is a statistical method that updates the probability of a hypothesis as more evidence becomes available.الاستدلال البايزي (Bayesian inference) هو طريقة رياضية لتقدير احتمالية فرضية ما بناءً على ملاحظات جديدة. يتطلب ثلاثة مكونات: الاحتمال القبلي (prior probability) — الدرجة الأولية من الثقة في الفرضية، ودالة الاحتمال (likelihood) — مدى احتمالية البيانات إذا كانت الفرضية صحيحة، وثابت المعايرة (normalizing constant) — الاحتمال الكلي للبيانات تحت جميع الفرضيات الممكنة. والنتيجة هي الاحتمال البعدي (posterior probability) — أي ما تؤمن به بعد الأخذ بالأدلة. وعلى عكس الإحصاء الكلاسيكي، فإن النهج البايزي يجيب مباشرة على سؤال «ما احتمال أن تكون الفرضية صحيحة في ضوء هذه البيانات؟» بدلاً من «ما احتمال الحصول على هذه البيانات إذا كانت الفرضية صحيحة؟».
صيغت مبرهنة بايز لأول مرة في عمل نُشر بعد وفاة توماس بايز (1763)، ثم أعيد اكتشافها بشكل مستقل ونُشرت على يد بيير سيمون لابلاس في عام 1774. طبقها لابلاس على تقدير كتلة زحل والدراسات الديموغرافية. في القرن العشرين، تجدد الاهتمام بفضل أعمال هارولد جيفريز، الذي قدم التوزيعات القبلية غير المعلوماتية (non-informative priors)، وليونارد سافاج، الذي طور بدهيات الاحتمال الذاتي. مع ظهور طرق حسابية قوية، مثل خوارزمية متروبوليس-هاستينغز (1970) وأخذ عينات جيبس (Gibbs sampling)، أصبح الاستدلال البايزي قابلًا للتطبيق على النماذج المعقدة في علوم البيانات.
يستند الاستدلال إلى مبرهنة بايز: P(H|D) = P(D|H) * P(H) / P(D)، حيث H هي الفرضية، و D هي البيانات. يعكس P(H) (الاحتمال القبلي) الدرجة الأولية من الثقة، و P(D|H) (الاحتمال) هو احتمالية الحصول على البيانات D إذا كانت H صحيحة، و P(D) هو الاحتمال الهامشي (marginal probability) للبيانات، الذي يلعب دور المعايرة. عمليًا، يكون الحساب المباشر للمقام، وهو تكامل على جميع الفرضيات، غالبًا مستحيلًا، ويتم اللجوء إلى طرق مونت كارلو بسلسلة ماركوف (MCMC) لتقريب التوزيع البعدي. تقوم الحزم الحديثة مثل Stan و PyMC بأتمتة هذه الحسابات.
تتعلم مرشحات البريد العشوائي من تصنيفاتك، وتُحسّن الاختبارات الطبية التشخيص بناءً على الأعراض الجديدة.
استخدم عالم فك الشفرات البريطاني آلان تورينغ خلال الحرب العالمية الثانية الأساليب البايزية لفك شيفرة «إنيغما»، حيث قام بتعيين احتمالات للإعدادات المختلفة للآلة بناءً على الرسائل التي تم اعتراضها.
| B | متغير | Bayes factor — عامل بايز |
| D_k | متغير | k-th data point — بيانات |
| H_1 | متغير | alternative hypothesis — فرضية |
| H_0 | متغير | null hypothesis — فرضية |
| N | متغير | number of data points — حجم العينة |
| ∏ | مؤثر | multiplication of terms for k=1 to N — مشغل الضرب |
| Z | متغير | Bayesian evidence (marginal likelihood) — الدليل البايزي |
| Θ | متغير | Parameter vector — parameter vector |
| L(Θ) | متغير | Likelihood function — likelihood function |
| π(Θ) | متغير | Prior probability density — prior probability density |
| ∫ | مؤثر | Integration over parameter space — مؤثر تكاملي |
| dΘ | مؤثر | Infinitesimal volume element — volume element |
| p(x) | متغير | Probability density of distribution p — probability density |
| q(x) | متغير | Probability density of distribution q — probability density |
| x | متغير | Integration variable (sample space) |
| ∫ | مؤثر | Integration over the sample space — مؤثر تكاملي |
| P(A|B) | متغير | Conditional probability of A given B — conditional probability |
| P(B|A) | متغير | Conditional probability of B given A — conditional probability |
| P(A) | متغير | Marginal probability of A — احتمال |
| P(B) | متغير | Marginal probability of B — احتمال |













