{"product_id":"tutorial-sullalgoritmo-em-seconda-edizione-von-loc-nguyen","title":"Tutorial sull'algoritmo EM (seconda edizione)","description":"\u003cp\u003eLa stima della massima verosimiglianza (MLE) è un metodo popolare per la stima dei parametri sia nella probabilità applicata che nella statistica, ma MLE non può risolvere il problema dei dati incompleti o dei dati nascosti perché è impossibile massimizzare la funzione di verosimiglianza dai dati nascosti. L'algoritmo Expectation Maximum (EM) è un potente strumento matematico per risolvere questo problema se c'è una relazione tra i dati nascosti e i dati osservati. Tale relazione è specificata da una mappatura dai dati nascosti ai dati osservati o da una probabilità congiunta tra dati nascosti e dati osservati. L'ideologia essenziale di EM è di massimizzare l'aspettativa della funzione di verosimiglianza sui dati osservati basata sulla relazione di allusione invece di massimizzare direttamente la funzione di verosimiglianza dei dati nascosti. I pionieri dell'algoritmo EM hanno dimostrato la sua convergenza. Di conseguenza, l'algoritmo EM produce stimatori di parametri così come fa MLE. Questo tutorial mira a fornire spiegazioni sull'algoritmo EM per aiutare i ricercatori a comprenderlo. Inoltre, nella seconda edizione, vengono introdotte alcune applicazioni EM come il modello a miscela, la gestione dei dati mancanti e l'apprendimento del modello di Markov nascosto.\u003c\/p\u003e\u003cdiv class=\"aw-variant-hidden-subtitle-div\" id=\"aw-variant-subtitle-9786204649245\"\u003e\u003ch3\u003e\u003c\/h3\u003e\u003c\/div\u003e","brand":"Autorenwelt Shop","offers":[{"title":"Softcover - 9786204649245","offer_id":40042139287645,"sku":"9786204649245","price":79.9,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0940\/0622\/files\/0c8eec37-09c1-4aec-af08-cf9b878991c9.png?v=1758955924","url":"https:\/\/shop.autorenwelt.de\/en\/products\/tutorial-sullalgoritmo-em-seconda-edizione-von-loc-nguyen","provider":"Autorenwelt Shop","version":"1.0","type":"link"}