一开始对于机器学习，主要是有监督学习，我的看法是：
假定一个算法模型，然后它有一些超参数，通过喂多组数据，每次喂数据后计算一下这些超参数。最后，数据喂完了，参数取值也就得到了。这组参数取值+这个算法，就是模型文件，后续能够用来预测，也就是直接用这个算法+这个参数取值的组合，能投入实际使用，做分类/回归。
但是后来出现了inference，以及指出和learning是不同的过程。这就有点让人发晕了。learning是啥？inference是啥？learning不是inference的一种吗？
好吧，与其纠结不如去找别人的解释，搬运quora的回答:
"To summarize, the difference between inference and learning depends on the eye of the modeler. If you think like a statistician, then learning/parameter estimation is a type of inference. If you think like a traditional machine learning researcher, then learning is usually parameter estimation and inference is usually prediction. Different perspectives are useful in different situations."
简单说，learning就是计算算法模型超参数取值的过程；inference往往是预测的过程。
醉了，感觉这脱离了inference的本质。《统计学习导论》里面说，inference是为算法模型寻找一个合理解释的过程。我认为：估计隐含变量取值从而解释算法的合理性，或者用采样算法找个别样本来说明“算法模型是合理的”，都算是inference。想不到有时候就把inference当作prediction解释就可以，那还不如就用prediction呢，或者对于具体问题用classification或者regression更合理，反倒用inference会引起混淆。
