EM算法

 EM算法（Expectation Maximization Algorithm）是一种迭代算法，它是解决含隐变量（latent variable）情况下的参数估计问题，而求模型的参数时一般采用最大似然估计，由于含有了隐含变量，所以对似然函数参数求导是求不出来的，虽然通过梯度下降等优化方法也可以求解，但如果隐变量个数太多，将会带来指数级的运算。
 EM算法是一种迭代优化策略，由于它的计算方法中每一次迭代都分两步：
 1、期望步（E步）：固定一组参数，计算该参数下的隐变量的期望值；
 2、极大步（M步）：结合E步求出的隐含变量条件概率，用最大似然法来估计参数；

介绍EM算法首先需要了解：极大似然估计和Jensen不等式。

EM算法推导：https://blog.csdn.net/zhihua_oba/article/details/73776553
更详细推导见：https://wenku.baidu.com/view/3396bb4d6294dd88d0d26bee.html

EM算法优缺点：
优点：算法简单，稳定上升的步骤能非常可靠地找到“最优的收敛值”；
缺点：对初始值敏感：EM算法需要初始化参数θθ，而参数θθ的选择直接影响收敛效率以及能否得到全局最优解。

EM算法应用： K-means聚类：E步骤为聚类过程，M步骤为更新类簇中心。
GMM（高斯混合模型）。