干货：深入浅出EM算法----玩转机器学习基本原理_v2

EM算法是期望最大化(ExpectationMaximization)算法的简称，用于含有隐变量的情况下，概率模型参数的极大似然估计或极大后验估计。EM算法是一种迭代算法，每次迭代由两步组成：E步，求期望(expectation)，即利用当前估计的参数值来计算对数似然函数的期望值；M步，求极大(maximization)，即求参数来极大化E步中的期望值，而求出的参数将继续用于下一个E步中期望值的估计。EM算法在机器学习中应用广泛，本篇和下篇文章分别探讨EM算法的原理和其两大应用——K-means和高斯混合模型。