極大似然估計法常常出現在機器學習演算法的推導過程中，其使用場景或者說功能正是： 以已有樣本、已有公式去估計引數，最大可能的那個引數。

  這樣來理解，極大似然估計法其實和機器學習演算法的目標都是一樣的。那麼極大似然估計法如何來用呢？

    （1）、寫出已有公式： L(θ)。

    （2）、對L(θ)取對數： ln L(θ)。 這一步的目的是將L(θ)中的連乘操作轉化為連加。

    （3）、對ln L(θ)求 關於θ的導數，設 d (ln L(θ)) / dθ = 0,求解得到的 θ即為最大可能的那個引數

  那麼步驟看不懂怎麼辦？

   （1）、L(θ)是什麼？

       雖然之前假設了是已有公式，但是在實際問題中這個公式必然是要自己定義的。

       若第 i 個樣本中 x 事件發生的概率假設為p,，則 L(θ) = ∏ p(xi) 。 （上面第二條所說的連乘就是這裡的連乘符號）

  （2）、照葫蘆畫瓢套公式沒問題，那麼和大數定律有什麼關係？

    簡單理解一下大數定律：用部分的樣本分佈取擬合整體分佈。（拿10000個人的性別分佈去猜全世界人的性別分佈

   在最大似然估計問題最開始就要提出假設，因為最大似然估計法用到的樣本就是這部分樣本，而問題是整體，所以就用到了大數定律。

  （3）、中心極限定理來湊什麼熱鬧？

    中心極限定理和最大似然估計是沒有直接聯絡的，它也是建立在大數定律的基礎上。

    簡單理解一下中心極限定理：同一分佈的樣本的累加，會呈現出正態分佈。（我拋硬幣拋了無數次，那麼（第一次）、（第一次和第二次）、（第一次和第二次和第三次）……這樣的事件所發生的概率會呈現出正態分佈）

    對於最大似然估計法來說，往往遇到的問題就是這樣可以應用於中心極限定理的問題，畢竟正態分佈在生活中無處不在。。。