EM算法代码与讲解

胡兆基机器学习课的笔记,非常精彩,利于学习消化理解

EM算法及其改进 E步 对 或 求条件期望从而把Z去掉即 M步 将 极大化找到一个点 使 即 反复迭代直到 或 充分小时停止迭代 优点其一,M步仅涉及完全数据极大似然,通常计算比较简单;其二,它的收敛

GMM只是一个数学模型，只是对数据形态的拟和，但是和你所看到的数据分布存在出入也是正常的，因为用EM估计GMM的那些参数时，一般假设我们所得到的数据是不完备的（也就是说假设我们看到的数据分布不是真正的

详细讲解EM算法很简单易懂没有废话适合初学者认真分析里面的内容

有关GMM算法的EM实现，里面都是本人在学习GMM算法时候的资料，非常有用

这几天把EM算法(Expectation Maxinum)反复琢磨了几遍，经过几次讨论，对EM算法的数学模型有了比较深入的理解。考虑到： 1. 这个算法在Machine Learning中极其重要，也

这里面有我对EM算法的推导，以及一个详细的例子

EM算法的详细英文描述，包含简单详细的案例，和算法的发展介绍。

EM算法进行图像分割是可行的，但本文只是实现算法，没有进行优化，所以运行起来很慢，有兴趣的同学可以优化一下！

EM算法原理及其应用