Expectation-Maximization
El algoritmo EM alterna un paso E (calcular esperanzas de variables latentes) con un paso M (maximizar la log-verosimilitud esperada) para ajustar modelos con variables latentes.
Propósito
Obtener estimaciones de máxima verosimilitud para modelos probabilísticos con variables latentes, usado en el entrenamiento de GMM y HMM.
Mecanismo
Paso E: Q(θ|θ_t)=E[log p(X,Z|θ)|X,θ_t]. Paso M: θ_{t+1}=argmax Q. Cada iteración nunca reduce la verosimilitud, convergiendo a un óptimo local. Se usa para clustering GMM y entrenamiento de HMM.
Casos de uso
- Entrenamiento de GMM
- Entrenamiento de HMM
- Inferencia con datos faltantes