通俗地理解最大似然估计以及统计机器学习

概述最大似然估计
在样本结果已知的情况下，可以根据最大似然估计方法推测模型和参数。最大似然估计方法比其他估计方法更加简单；有收敛性，样本数增多时，收敛性会更好；模型选取正确的情况下，我们会得到较准确的估计值。
  使用极大似然估计的重要前提是，训练样本的分布能代表样本的真实分布，每个样本集中的样本都是独立同分布的，并且有充分的训练样本。
  求最大似然估计的一般步骤：
  （1）写出似然函数；
  （2）对似然函数取对数；
  （3）求导数；
  （4）解似然方程。
  （具体实例怎么做？如何用PYTHON实现？）
详述最大似然估计
频率学派认为，当实验重复次数趋近于无穷大时，那么事件发生的频率会趋近于该类事件发生的真实概率上，也就是说，该类事件发生的概率是一个确定的值，并不会受单次实验的影响。
比如，将一枚均匀的硬币抛掷 10 次，结果可能是 10 次都是正面，也可能 10 次都是反面，写成频率的话就对应着 0% 和 100% 这两个极端，代表着最大范围的波动。可如果将抛掷次数增加到 100 次，出现正面的次数依然会发生变化，但波动的范围更可能会收缩到 40% 到 60% 之间。再将抛掷次数增加到 1000，10000 的话，频率波动的现象不会消失，但波动的范围会进一步收缩到越来越小的区间之内。
由此而言，频率学派的观点就是，某类事件的通用函数其参数是固定不变的常量