1. 先验概率，条件概率与后验概率

2. Probability(概率) vs Likelihood(似然)

Probabiity（概率）：给定某一参数值，求某一结果的可能性
Likelihood（似然）：给定某一结果，求某一参数值的可能性

3. 似然函数

在数理统计学中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。似然函数可以理解为条件概率的逆反。

4. 区别阐释

概率（probability)和似然（likelihood)，都是指可能性，都可以被称为概率，但在统计应用中有所区别，不加以区分的话，对于之后的学习认知都会有很大的阻碍。

为了更好的帮助自己和大家理解这二者之间的区别，希望通过三种方法去阐释：

4.1 方法1：图示

假设现在有一组小鼠体重数据。该数据服从正态分布，该分布的均值是32克，标准差为2.5。该组数据的最小值是24g，最大值是40g。

那么概率是什么呢？当我们随机选取一只小鼠，它的体重在32g-34g之间的概率是落在该区间下，概率分布曲线下的面积。具体如下图所示：

讲完了概率，那么什么是似然呢？假设我们已经知道了一只小鼠的体重是34g。如图所示：

4.2 方法2：类比

该方法，是quora上的一个回答。在该回答中，他将概率与似然的关系比作是2b和a2的之间的关系。

我们假设一个函数为ab，该函数包含两个变量。如果你令b=2，这样我们就得到了一个关于a的二次函数，即a2：

4.3 方法3：举例

假设，我们抛一枚匀质硬币，抛10次，6次正面向上的可能性多大？用公式计算的话：

其中，n=10，P=0.5,Q=0.5,计算得：0.205。该方法计算的是概率

那似然呢？似然值就是求某一参数的可能性，放在本例中就是：抛一枚硬币，抛10次，结果是6次正面向上，其是匀质的可能性多大？

抛10次，结果是6次正面向上，这是一个给定的结果。问“匀质”的可能性，即求参数值P=0.5的可能性。计算公式与上面相同。结果相同，只是视角不同。

与似然相关联的概念是最大似然估计（MLE）。在本例中，问题就是：“抛10次，结果是6次正面朝上，那么，参数P的最大可能值是什么？”

我们知道硬币可能是匀质的，也可能是不均匀的，甚至不均匀的程度都各有不同。但是每种情况的概率各不相同。而最大似然估计，就是求出概率最大的那一个。

如果你还记得最大似然估计的计算方法，你会发现P=0.6

5. 最大似然估计（MLE）与最大后验概率（MAP）

最大似然估计是似然函数最初也是最自然的应用。似然函数取得最大值表示相应的参数能够使得统计模型最为合理。从这样一个想法出发，最大似然估计的做法是：首先选取似然函数（一般是概率密度函数或概率质量函数），整理之后求最大值。实际应用中一般会取似然函数的对数作为求最大值的函数，这样求出的最大值和直接求最大值得到的结果是相同的。似然函数的最大值不一定唯一，也不一定存在。

6.生成式模型与判别式模型

https://www.plob.org/article/23003.html