En savoir plus
A estimativa de máxima verosimilhança (EML) é um método popular de estimação de parâmetros tanto na probabilidade aplicada como na estatística, mas a EML não pode resolver o problema de dados incompletos ou dados ocultos porque é impossível maximizar a função de verosimilhança a partir de dados ocultos. O algoritmo Expectation maximum (EM) é uma ferramenta matemática poderosa para resolver este problema se houver uma relação entre os dados ocultos e os dados observados. Essa relação de sugestão é especificada por um mapeamento de dados ocultos para dados observados ou por uma probabilidade conjunta entre dados ocultos e dados observados. A ideologia essencial do EM é maximizar a expectativa da função de probabilidade sobre os dados observados com base na relação de sugestão em vez de maximizar diretamente a função de probabilidade dos dados ocultos. Pioneiros no algoritmo do EM provaram sua convergência. Como resultado, o algoritmo EM produz estimadores de parâmetros, assim como o EML produz. Este tutorial tem como objetivo fornecer explicações sobre o algoritmo EM para ajudar os pesquisadores a compreendê-lo. Além disso, na 2ª edição, algumas aplicações do EM, como o modelo de mistura, manipulação de dados ausentes e aprendizagem do modelo Markov oculto, são introduzidas.
A propos de l'auteur
Loc Nguyen ist seit 2017 ein unabhängiger Wissenschaftler. Er ist Postdoktorand in Informatik, zertifiziert von INSTICC im Jahr 2015. Seit 2016 ist er von der LMS als Mathematiker anerkannt. 2016 wurde ihm von HOSREM der Doktortitel in statistischer Medizin verliehen. Er hat 78 Arbeiten und Vorabdrucke sowie 8 wissenschaftliche und technologische Produkte veröffentlicht.
