最大似然估计法的用法，其实你一看就懂——就像你调参调到刚好 fit 数据那一下。蛮适合做模型训练或者参数估计时用的，是在做逻辑回归、时间序列这种需要精细拟合的场景里，表现还不错。
MLE（Maximum Likelihood Estimation）的核心思路挺直观：就是找出让你手上这些观测数据最有出现的那个参数。换句话说，就是让似然函数最大。你只要数据靠谱，推出来的估计值基本就不会差到哪儿去。
用法也不复杂，先抽个样本，建个似然函数，比如正态分布的就套公式，用优化方法把参数往最大方向推。要注意几个点，比如不偏性、一致性这种统计性质——要估计得稳，后期才能靠谱。
在工程上，比如你搞线性系统建模、Matlab 里的信号估计，甚至Bootstrap 搞置信区间，MLE 都能上得了场面。而且它对各种分布都能适配，弹性还挺大。
另外，如果你对贝叶斯方法感兴趣，不妨顺带看下对比。贝叶斯会引入先验，MLE 不关心这些，只管找到让当前数据出现概率最大的参数，所以更干脆。实战上，两者也经常搭配使用。
如果你刚开始接触统计建模，推荐你先从 MLE 入手，逻辑清晰、实现简单，用起来也挺有成就感的。顺带附上几个还不错的资源链接，自己研究研究：
如果你模型复杂、分布不明确，可以考虑搭配贝叶斯估计一块用。要是你在做 AI 方向的建模推断，MLE 基本是绕不开的存在。