极大似然和概率

1、看问题没有深入，就是一知半解的。这个极大似然，一直不是理解的，还有其他的 贝叶斯 等概念。

2、今天看了别人说的，才明白一点。似然的英文是 likelihood ，和 概率 （probability）居然是同一系统的。直接的英文翻译，我觉的应该是可能性，翻译成似然，怎么不是孜然啊。
例如：The likelihood of infection is minimal… 感染的可能性极小。

表述用的字母也不一样：
L(θ|x)=P(x|θ)
刚好用的英文的首字母。

3、根据英文的意思，我觉的我理解了一大半了。后面就是通过例子的理解，例子不好找，或者说不好理解啊。但是，有些人还是进行了解释的，看
http://fangs.in/post/thinkstats/likelihood/

4、似然 相关的搭配有： 似然函数，最大似然估计等，可以一一理解。

5、相关的一些概念记录一下：
似然函数：Likelihood function、Likelihood
最大似然估计：maximum likelihood estimation ，MLE

6、开始记录：
这是一篇我认为解释 似然函数 非常清晰的一篇文章，强烈推荐 https://www.jianshu.com/p/2b1b232c7f57
我总结的理解： 首先，概率和统计是两个不一样的东西，虽然我们经常看到概率统计的课程，可是真的不一样 ，今天才get到。那么likelihood就是统计方面的，和probability就是概率方面的。likelihood是知道事实（data）后的推测模型（估计参数），probability是用一种模型去推荐（计算）发生的比例多大，前者是用来产生工具的，因为模型知道了以后，可以用这个模型工具去工作；后者是用模型工具直接得到结果的。

继续，那么似然函数估计是干什么用的呢？比如给你一组数据1000个，知道这组数据的分布模型，例如正态分布，要知道正态分布的两个关键参数，怎么办呢？挑选30个作为代表，去估计这个参数，就是干这个的。然后，套公式计算，得到这个参数。那为什么叫做最大似然估计呢？因为想让30个数据最能代表这个模型，就是使整个模型正确的肯能性最大化，简单理解就可以了。

接着，公式是什么来着？copy一下：
L(μ, σ; data) 的意思是「我们在观察到一组数据 data 之后，参数μ、σ取特定的值的似然度。」
P(data; μ, σ) 它的意思是「在模型参数μ、σ条件下，观察到数据 data 的概率」
L和P是相等的，看下面的说明：
给定输出x时，关于参数θ的似然函数L(θ|x)（在数值上）等于给定参数θ后变量X的概率：L(θ|x)=P(X=x|θ)。

所以要求L，其实，转换成求P，具体的例子 ，看上面推荐的文章。

求解的过程，可以看 https://blog.csdn.net/weixin_43909872/article/details/85255130