共计 513 个字符，预计需要花费 2 分钟才能阅读完成。
先验散布、后验散布、似然散布三个应该在一起，似然预计应该离开。
前三个一起呈现在贝叶斯公式，
$$P(\theta|X)=\frac{P(X|\theta)P(\theta)}{P(X)}$$
\(\theta\)是散布参数，\(X\)是所见数据，
\(P(\theta|X)\)是后验，即见过数据 \(X\)影响后的散布；
\(P(\theta)\)是先验，没受 \(X\)影响前的散布；
\(P(X|\theta)\)是似然，即在已知散布参数 \(\theta\)下，度量生成某个样本 / 事件的散布
===================================
而前面的 似然预计 ，是参数估计的 思维，是求参的思维。个别都是极大似然预计，也就是怎么扭转参数能力使得散布的后果更加合乎所观测的数据（或者说训练数据），而具体的办法有有：
- 贝叶斯预计，也就是上述的奢侈贝叶斯
（解析解的）极大似然预计，个别求解是：
求最大似然函数估计值的个别步骤：
（1）写出似然函数；
（2）对似然函数取对数，并整顿；
（3）求导数，令导数为 0，失去似然方程；
（4）解似然方程，失去的参数即为所求；- 冀望最大（EM）办法，即没方法求解析解的参数估计
- 以及很多深度学习加持的模型
正文完
