مشخصات کتاب
Theory and Use of the EM Algorithm
ویرایش:
نویسندگان: Gupta M.R., Chen Y.
سری:
ناشر:
سال نشر:
تعداد صفحات: [76]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 1 Mb
قیمت کتاب (تومان) : 34,000
میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 3
در صورت تبدیل فایل کتاب Theory and Use of the EM Algorithm به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تئوری و استفاده از الگوریتم EM نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب تئوری و استفاده از الگوریتم EM
مبانی و روندها در پردازش سیگنال NOWPress, 2011, -76 صفحه
=\"bb-sep\">این مقدمه بر الگوریتم انتظار-بیشینه سازی (EM)
درک شهودی و ریاضی دقیقی از EM ارائه می دهد. دو مورد از
محبوبترین کاربردهای EM به تفصیل شرح داده شدهاند: تخمین
مدلهای مخلوط گاوسی (GMMs)، و تخمین مدلهای پنهان مارکوف (HMM).
راهحلهای EM نیز برای یادگیری یک مخلوط بهینه از مدلهای ثابت،
برای تخمین پارامترهای یک توزیع دیریکله مرکب، و برای جدا کردن
سیگنالهای روی هم قرار گرفتهاند. مسائل عملی که در استفاده از
EM بوجود می آیند، و همچنین انواع الگوریتم که به مقابله با این
چالش ها کمک می کند، مورد بحث قرار می گیرد.
روش حداکثرسازی
انتظارات
الگوریتم EM
تضاد EM با یک نوع ساده
استفاده از یک قبلی با EM (MAP EM)
تعیین داده های کامل
یک مثال اسباب بازی< br/>
تحلیل EM
همگرایی
بیشینه سازی–بیشینه سازی
آمیخته های یادگیری
یادگیری ترکیب بهینه از مدل های ثابت< br/>یادگیری یک
GMM
تخمین یک GMM محدود
مثال های EM بیشتر
یادگیری یک مدل مخفی مارکوف
تخمین مکان های فرستنده چندگانه
تخمین یک توزیع دیریکله مرکب
انواع EM
EM ممکن است بهینه جهانی را پیدا نکند
EM ممکن است محاسبه را ساده نکند
سرعت
وقتی حداکثر کردن احتمال هدف نیست
نتیجهگیری و برخی یادداشتهای تاریخی
توضیحاتی درمورد کتاب به خارجی
Из серии Foundations and Trends in Signal Processing
издательства NOWPress, 2011, -76 pp.
Про алгоритм максимума правдоподобия
(expectation maximization) – описание, тренинг, приложения
This introduction to the
expectation–maximization (EM) algorithm provides an intuitive
and mathematically rigorous understanding of EM. Two of the
most popular applications of EM are described in detail:
estimating Gaussian mixture models (GMMs), and estimating
hidden Markov models (HMMs). EM solutions are also derived for
learning an optimal mixture of fixed models, for estimating the
parameters of a compound Dirichlet distribution, and for
dis-entangling superimposed signals. Practical issues that
arise in the use of EM are discussed, as well as variants of
the algorithm that help deal with these challenges.
The Expectation-Maximization
Method
The EM Algorithm
Contrasting EM with a Simple Variant
Using a Prior with EM (MAP EM)
Specifying the Complete Data
A Toy Example
Analysis of EM
Convergence
Maximization–Maximization
Learning Mixtures
Learning an Optimal Mixture of Fixed Models
Learning a GMM
Estimating a Constrained GMM
More EM Examples
Learning a Hidden Markov Model
Estimating Multiple Transmitter Locations
Estimating a Compound Dirichlet Distribution
EM Variants
EM May Not Find the Global Optimum
EM May Not Simplify the Computation
Speed
When Maximizing the Likelihood Is Not the Goal
Conclusions and Some Historical Notes
نظرات کاربران