MLE：（认为世界是固定的，不管人怎么看，世界的形状都是固定的）
思想：当前事件（多个子事件组成当前事件）已经发生，我们有理由认为这不是偶然事件，而是对应整个事件模型中概率最大的情况，例如：
从装有黑球和红球的盒子里有放回取出10个球，结果为7黑3红，那么既然发生了7黑3红这件事，我们就认为7黑3红可以大致描述整个盒子里的概率分布事件，假设拿出黑球的概率为p，那么拿出红球的概率就是1-p，此时联合分布的概率就是
p^7*(1-p)^3，我们最大化这个联合分布概率，求出来的p值就能够对应我们现实中进行试验的结果（7黑3红）

MAP（世界是不固定的，千人千面，不同人看世界的角度不同（预设的参数满足的分布不同），得到的结果也不同）
思想：依然是根据已知样本，来通过调整模型参数使得模型能够产生该数据样本的概率最大，只不过对于模型参数有了一个先验假设，即模型参数可能满足某种分布，不再一味地依赖数据样例（万一数据量少或者数据不靠谱呢）
↓
p(theta)*p(x|theta)
比如投了10次硬币，都是正面，此时用MLE的话会得出极端的结果，也就是正面的概率为1，而采取MAP，则会更加符合情况，避免极端数据造成极端结果