最大后验与最大似然
P(x|z) = P(z|x)P(x)/P(z) ~ P(z|x)P(x)
贝叶斯法则左侧P(x|z)通常被称为后验概率，右侧P(z|x)称为似然，P(x)称为先验．直接求后验分布是困难的，但是求一个状态最优估计，使得在该状态下后验概率最大化（MAP)则是可行的．
xmap = arg maxP(x|z) = arg maxP(z|x)P(x)
求解最大后验概率相当于最大化似然和先验的乘积．如果没有先验，即没有先验的位置信息，此时就没有了先验，那么，可以求解ｘ的最大似然估计（MLE)
xMLE = arg maxP(z|x)
直观讲，似然是指，＂在现在的位资下，可能产生怎样的观测数据＂．由于我们知道观测数据，所以最大化似然估计可以理解成：＂在什么样的状态下，最可能产生现在的观测到的数据＂．这就是最大似然估计的直观意义．
最大似然和最小二乘的关系．
最小二乘是以残差平方和最小为准则的参数估计方法．由于是已知观测，求解参数，所以是最大似然的一种，是以残差平方和最小为准测（残差平方和最小可以等效为残差服从正太分布即服从高斯分布）的最大似然方法．
残差平方和最小与残差服从正太分布
任意的一个观测，都会受噪声的影响，即观测值与真值之间都会相差一个残差（误差）．如果假设残差服从正太分布（即误差是随机变量，服从正太分布）：
Y = f(X) + V
Ｙ为观测，Ｘ为参数，Ｖ为残差．
残差服从均值为0的正太分布，即：
V = Y - f(X) ~ N(0,σ)