AI 词汇表
人工智能完整词典
Expectation-Maximization
Algorithme itératif d'estimation de paramètres pour modèles probabilistes avec données incomplètes, alternant entre inférer les variables latentes et maximiser la vraisemblance des paramètres.
Étape Expectation (E-step)
Phase de l'algorithme EM calculant l'espérance conditionnelle de la log-vraisemblance complète par rapport aux variables latentes données les paramètres actuels.
Étape Maximization (M-step)
Phase de l'algorithme EM mettant à jour les paramètres du modèle en maximisant la fonction Q obtenue lors de l'étape Expectation.
Modèles de mélanges gaussiens
Approche probabiliste modélisant les données comme combinaison linéaire de plusieurs distributions gaussiennes, fréquemment estimée via l'algorithme EM.
Variables latentes
Variables non observables du modèle statistique dont l'inférence est nécessaire pour l'estimation des paramètres dans l'approche EM.
Initialisation de l'algorithme EM
Phase critique définissant les valeurs initiales des paramètres qui influence la convergence vers des maxima locaux et la performance globale de l'algorithme.
Fonction Q de EM
Espérance de la log-vraisemblance complète conditionnellement aux données observées et aux paramètres courants, servant de fonction objectif lors de l'étape M.
EM variationnel
Extension de l'algorithme EM optimisant une borne inférieure sur la vraisemblance marginale plutôt que la vraisemblance elle-même, utilisée pour modèles complexes.
Classification semi-supervisée
Paradigme d'apprentissage combinant données étiquetées et non étiquetées pour améliorer la performance du classifieur, souvent implémenté via l'algorithme EM.
Distribution a posteriori
Distribution probabiliste des variables latentes conditionnellement aux données observées et paramètres actuels, calculée durant l'étape E de l'algorithme EM.
Estimation de maximum de vraisemblance
Méthode d'estimation paramétrique cherchant les valeurs maximisant la probabilité des données observées, principe fondamental de l'algorithme EM.
Vraisemblance marginale
Probabilité des données observées après marginalisation sur les variables latentes, fonction monotone croissante à chaque itération de l'algorithme EM.
Clustering par EM
Application de l'algorithme EM au clustering en modélisant les données comme mélange de distributions, assignant probabilistement les points aux clusters.
Critère d'arrêt EM
Condition déterminant la fin des itérations EM basée sur le changement minimal de log-vraisemblance, nombre maximum d'itérations ou convergence des paramètres.
EM stochastique
Variante de l'algorithme EM utilisant des sous-ensembles de données pour les mises à jour paramétriques, améliorant l'efficacité computationnelle sur grands ensembles.