Dérivation de EM pour le GMM

Dans cours

DEMO: ut elit non

Irure dolor proident ut ullamco consectetur incididunt elit ut dolor ut eu tempor. Commodo labore eu deserunt labore incididunt sit minim ut id culpa laboris tempor commodo. Adipisicing consectetur minim qui tempor do ex ullamco voluptate. Ea proident quis ad non incididunt sint non aliquip dolor pariatur anim. Laborum commodo ut sunt sunt culpa aliquip ad veniam laborum aliqua. Id in minim magna nostrud mollit ut minim duis mollit excepteur officia.

Connectez-vous pour voir cette section

Description

Cette séance de cours couvre le modèle de mélange gaussien (GMM), lalgorithme dexpectation-maximisation (EM), et la dérivation de lE-étape et une partie de la M-étape pour estimer les proportions pi_1 à pi_K. Les diapositives fournissent une marche à suivre détaillée de l'algorithme EM pour GMM.

Connectez-vous pour regarder la vidéo

Source officielle

https://mediaspace.epfl.ch/media/0_53nyb7a7

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Séances de cours associées (37)