一開始對於機器學習，主要是有監督學習，我的看法是：
假定一個算法模型，然后它有一些超參數，通過喂多組數據，每次喂數據后計算一下這些超參數。最后，數據喂完了，參數取值也就得到了。這組參數取值+這個算法，就是模型文件，后續能夠用來預測，也就是直接用這個算法+這個參數取值的組合，能投入實際使用，做分類/回歸。
但是后來出現了inference，以及指出和learning是不同的過程。這就有點讓人發暈了。learning是啥？inference是啥？learning不是inference的一種嗎？
好吧，與其糾結不如去找別人的解釋，搬運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."
簡單說，learning就是計算算法模型超參數取值的過程；inference往往是預測的過程。
醉了，感覺這脫離了inference的本質。《統計學習導論》里面說，inference是為算法模型尋找一個合理解釋的過程。我認為：估計隱含變量取值從而解釋算法的合理性，或者用采樣算法找個別樣本來說明“算法模型是合理的”，都算是inference。想不到有時候就把inference當作prediction解釋就可以，那還不如就用prediction呢，或者對於具體問題用classification或者regression更合理，反倒用inference會引起混淆。