各位好，初学者又来啦。最近在学习monte carlo 采样方法，有以下几点疑问，可能是我太钻牛角尖，但是真的不能自己弄明白：
以上是老师的板书
问题背景：在机器学习或者 深度学习方面，蒙特卡洛被使用的背景理解，因为网上都是关于什么求位置面积的解释，在这里不太用得到。我理解了一下，为什么会引入蒙特卡洛方法。通过贝叶斯公式p(z|x)=p(x|z)p(z)/p(x)，其中，p(x)展开后是一个积分项很难求，因此造成左边后验p(z|x)不好求得，因此才要引入蒙特卡洛方法进行采样。
问题1：为什么老师在讲到采样方法时候，说p(z)已知？我知道montecarlo方法是已知概率，然后来采样，但是我不能理解这个已知概率是设出来的么还是怎么假设出来的？老师又说，p(z)已知，但是图像很难画出来，这个我就很费解了。另外，在实际过程中，p(z)是怎么被假设出来的呀？？？？
希望大佬可以从机器学习的方面给我解释下，最好也解释下具体是怎么使用monte carlo采样的。跪谢跪谢

你板书可能抄错了。因为错得有点多，并且这种板书相当于断章取意，老师的说明对于这种板书往往是一块必须，所以最好翻书后给出较
正确的
再讨论。

在贝叶斯统计推断中，似然是根据你对数据的理解或经验选一个分布，比如身高数据选高斯分布。p(z)是先验，一般选beta分布，因为beta分布可以模拟各种常见分布的曲线形式。
先验代表人的经验，首次计算，如果预先不想做任何假设就把beta分布的参数设为默认值1，再通过学习不断更新，但实际情况一般是根据自己的主观经验来设置一个值。
后验可以看作是给定了数据之后更新了的先验，批量更新先验值和一步一步更新的结果是一样的，在很多情况下，每当我们采集了新的数据时就可以更新估计值。

谢谢大佬们的回复，我想通过假设一个例子来cue一遍流程，假设
数据集为{(x_1,z_1),(x_2,z_2),...,(x_n,z_n)},X为观测变量，Z为隐变量以及参数，
实际任务是给一个新的x_new,然后通过学习到的方法得出相关的输出对么，也就是说我们要找到X和Z之间的联系。
然后的大体流程是(如果用贝叶斯派和蒙特卡洛采样的思想怎么来想这个解题的流程)？