Expectation-Maximization (EM)

Expectation-Maximization Algorithm

Türkçe: Beklenti - Maksimizasyon Algoritması

Ayrıntılı Tanım

Veride gizli (gözlemlenemeyen) değişkenler olduğunda, parametrelerin en çok olabilirlik (Maximum Likelihood) kestirimini bulmak için kullanılan iki adımlı genel bir optimizasyon algoritmasıdır.

Ne İşe Yarar / Çözülen Problem

Eksik verilerin veya bilinmeyen etiketlerin bulunduğu denetimsiz modellerin (GMM, HMM gibi) matematiksel olarak eğitilebilmesini sağlar.

Nasıl Çalışır? (Teknik & Mekanizma)

* **E-Adımı (Expectation):** Mevcut parametrelerle gizli değişkenlerin beklenen değerleri veya üyelik olasılıkları hesaplanır. * **M-Adımı (Maximization):** Bu beklenen değerler sabit tutularak kayıp fonksiyonunu maksimize eden yeni parametreler güncellenir.

Örnek Senaryo & Pratik Uygulama

Karanlık bir odada el feneriyle iki ayrı insan grubunu aydınlatmaya çalışmak: Önce feneri tahmini bir yere tutup kimlerin göründüğüne bakarsınız (E), sonra feneri o kişilerin tam ortasına çevirirsiniz (M).

Benzer Terimlerden Farkı

K-Means aslında EM algoritmasının özel ve sert bir halidir (E: noktalara küme ata, M: ortalama al).

İlişkili Terimler (3)

#54

Gaussian Mixture Model (GMM)

Gauss Karışım Modeli

#50

Hidden Markov Model (HMM)

Gizli Markov Modeli

#53

K-Means

K-Ortalamalar Kümeleme Algoritması

Ait Olduğu Kategori

Klasik Makine Öğrenmesi ve İstatistiksel Kuram

Sembolik AI, GOFAI, karar ağaçları, regresyon ve temel istatistiksel modeller.

Toplam Terim:68 Madde

Bu Kategorideki Tüm Terimleri Gör →

Önceki Terim (#54)Gaussian Mixture Model (GMM)

Sonraki Terim (#56)DBSCAN