概率：特定情况下某事件发生的可能性（参数已知，事件发生的可能性）

如，在某件事情发生前，根据环境中的参数预测某件事情发生的概率

参数： 微风，28 °，晴天 --> 事件发生概率：p(晾衣服) = 0.9

抛硬币：p(正面）=0.5，p(反面)=0.5 这个 0.5 只有在事件发生之前是有意义的

似然：根据已经确定的结果推测产生这个结果的可能的环境（事件发生的可能性已知，参数未知，推测参数）

抛硬币：随机抛硬币 1W 次，结果 8000 次正面，2000 次反面，推测硬币具体参数，根据结果判断事物本身性质的过程就是似然。

假设 x 是事件发生的结果，$\theta$是环境参数，$p(x|\theta )$为在环境参数$\theta$下事件$x$发生的概率。 似然$L(\theta |x)$为已知观察结果是 x 的情况下，去推断$\theta$。
p 是关于 x 的函数
L 是关于$\theta$的函数

极大似然估计

利用已知的样本标记结果，反推出最大概率导致这些样本结果出现的模型参数

已知观察数据 ——推断——> 模型参数

例子： 已知事件结果，推测参数$\theta$是什么的情况下事件 x 的发生概率最大，就是极大似然估计

枚举$\theta$的值，画出$L(\theta )$的图像，L 被称为$\theta$的似然函数

最大似然估计就是要求$\theta$为多少时 L 取值最大。

机器学习中，最大似然估计就是根据已有的数据（相当于 x），学习到相应的参数分布（相当于计算$\theta$）【对应机器学习的训练】