“数学无处不在！” 

尽管这不是最原始的句子，但这个想法几乎是一个普遍的真理，这使它成为我们开始介绍性文字的理想选择。

概率与统计学 是（应用）数学的一个重要分支，广泛应用于社会的各个领域，从对未来气象条件的日常评估到评估受试者感染疾病风险的流行病学研究。

有了如此多样化的可能性和令人兴奋的机会， 概率和统计学 也为计算科学提供了极其重要的工具，为创建 基于 贝叶斯/概率推理 的值得注意的机器学习 算法组/家族做出了贡献。

这个家族中比较简单的成员之一是 朴素贝叶斯 分类器，它属于 由贝叶斯定理 支持的监督 机器学习算法组，即“在给定类变量的值的情况下，假设每对特征之间存在条件独立性”（ 更多详细信息请参阅 scikit-learn 官方页面  ）。

“朴素”这个术语非常适合，因为关于特征之间的条件独立性的贝叶斯假设通常并不正确。

这个 Jupyter Notebook 将致力于 通过训练和评估 专注于拳头活动 检测的 朴素贝叶斯 分类器来展示贝叶斯/概率推理 的实际应用。

正如属于 训练和分类 类别的其他 Jupyter Notebook （ 信号分类器 - 区分 EMG 和 ECG  和 石头、剪刀或布游戏 - 训练和分类  ）所展示的那样，机器学习算法可用于区分信号或识别动作，现在将探索它们在面对事件检测挑战时可以提供什么。