极大似然估计和贝叶斯估计

问题：
已知数据集D（样本）服从概率分布P，P中参数θ未知，去估计这个θ。
极大似然估计和Bayes估计目的相同，都是估计未知参数θ，甚至计算形式上也较为相似，但是看待和理解问题的思路却大相径庭。

极大似然估计将θ看成一个固定的值，它是真实存在的一个固定的值，只不过我们现在不知道它，需要去求它。
而Bayes将θ看成一个随机变量，服从一定的概率分布。它是一个随机变量而不是一个固定值。

极大似然估计中，若某个θ使得样本出现的概率最大，那么这个θ最可能就是真实存在的那个固定的θ。Max(P(D|θ))
而Bayes的思路是θ是个随机变量，随机变量的意思就是，多次实验每次实验的结果求得的θ可能都不一样。在给定的这组数据集的条件下，θ等于哪个值的概率最大。Max(P(θ|D))

对比可知，极大似然估计是在给定什么θ值的情况下样本出现的概率最大，而Bayes则是在给定数据集的条件下θ最大概率的值是什么。这两种思路中条件概率的条件和事件概率正好相反，极大似然是Max(P(D|θ))，而Bayes则是Max(P(θ|D))