本讲主张
极大似然提供了一种中间地带：它既保留了数据驱动的气质，又能成为进入贝叶斯更新的关键桥梁。
中文释读
这讲很适合用来理解‘为什么很多现代统计和机器学习语言里总会出现 likelihood’。它是两套世界观都绕不开的接口层。
知识路线
关键论点
- 似然描述的是‘在这个假设下，数据有多像会出现’。
- 极大似然强调让观察到的数据最说得通。
- 它既可独立使用，也能与先验结合成后验。
行动清单
- 把似然和概率区分开。
- 问自己：当前数据更支持哪种参数或解释？
- 把极大似然当作统计语言的公共底座。
源章节深读
8-1 贝叶斯统计学与内曼－皮尔逊统计学的共通点
这节解决什么：这一节在解决《第8讲 极大似然是两派之间的桥》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：在第5讲与第8讲中，已经对比了标准统计学（内曼－皮尔逊统计学）与贝叶斯统计学在思考方式、逻辑等方面的不同之处。由此可知，这两种统计学之间的差异之大，不可忽视。
8-2 “极大似然原理”被运用到众多学科当中
这节解决什么：这一节在解决《第8讲 极大似然是两派之间的桥》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：标准统计学与贝叶斯统计学的共通之处，在于一种被称为“极大似然原理”的思考方式。
8-3 贝叶斯推理以极大似然原理为基础
这节解决什么：这一节在解决《第8讲 极大似然是两派之间的桥》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：贝叶斯推理也运用了极大似然原理，这一点是显而易见的。
8-4 内曼－皮尔逊统计学也以极大似然原理为基础
这节解决什么：这一节在解决《第8讲 极大似然是两派之间的桥》里一个具体判断问题：当证据进入后，读者到底该改哪一步判断。
怎么迁移使用：把它当作一个生活化推理模板。下次遇到类似问题时，不要直接套结论，而是照着这节的判断顺序重走一遍。
常见误区：常见误区不是不会算，而是先验、条件、独立性或样本空间在中途被偷换了。
原书线索：那么，标准统计学（内曼－皮尔逊统计学）是否也与极大似然原理有所关联呢？事实上，极大似然原理并不是运用于推理本身，而是
本讲图版学习路径
第8讲 极大似然是两派之间的桥图版
概念可视化
辨析题
为什么极大似然常被视为贝叶斯与频率派都能接受的概念？