MLE 与 MAP

它在 AI 中解决什么问题？

占位说明：解释如何从数据中估计模型参数，以及常见 loss 如何来自似然最大化。

核心概念

• 待补：maximum likelihood estimation
• 待补：maximum a posteriori estimation
• 待补：negative log likelihood

关键公式

待补：${\hat{\theta }}_{\mathrm{MLE}}=\arg \underset{\theta }{max}\prod _i{p}_{\theta }(y_i\mid x_i)$。

它出现在模型的哪里？

• 待补：classification training
• 待补：language model pretraining
• 待补：Bayesian regularization

后续需要补充

• 待补：定义
• 待补：直觉
• 待补：例子
• 待补：常见误区