دانلود مقالات ISI درباره الگوریتم EM + ترجمه فارسی

الگوریتم EM(به انگلیسی: EM algorithm) یک روش تکرارشونده (iterative) است که به دنبال یافتن برآوردی با بیشترین درست نمایی برای پارامترهای یک توزیع پارامتری است. این الگوریتم روش متداول برای زمانهایی است که برخی از متغیرهای تصادفی پنهان هستند. برای اجازه دادن به کاربرها جهت اندازه بندی مجدد متن (قابل دسترسی از طریق فهرست گزینش مرورگر مربوطه)، بسیاری از طراحان وب به جای استفاده از پیکسل، واحد em را بکار می برند. W3C بهره گیری از واحد اندازه بندی فوق را به طراحان وب توصیه می کند. 1em در واقع معادل با اندازه ی فعلی فونت می باشد. اندازه ی پیش فرض نوشته در مرورگرهای کنونی برابر است با ۱۶px. بنابراین، اندازه ی پیش فرض ۱em به عبارتی همان ۱۶px است. این الگوریتم چندین بار به صورت جداگانه توسط افراد مختلف ابداع شده‌است. برای نمونه پیش از اینکه نام آن بیشنه کردن-امید ریاضی باشد، به نام الگوریتم باوم ـ ولچ شناخته می‌شد. نمونه امروزی آن را عموماً مربوط به مقاله ای در سال 1977 توسط دمپستر، لرد و روبین می دانند. فرض کنید xتمامی مقادیر مشاهده شده در تمام مثالها باشد. همچنین فرض کنید Zنشان دهندة تمام متغیرهای پنهان برای تمام مثالها نشان دهندة تمام پارامترها برای مدل احتمالی باشد. انگاه الگوریتم EMبه شکل زیر خواهد بود: رابطة بالا الگوریتم EMرا در چند کلمه و به طور مختصر نشان می¬دهد. گام Eشامل محاسبة مجموع کل است که امیدواری لگاریتم درستنمایی از داده¬های «کامل شده» را نسبت به توزیع می¬دهد. (که به شرط داشتن داده¬ها، توزیع پسین روی متغیرهای پنهان است. ) گام Mشامل ماکزیمم سازی این لگاریتم درستنمایی موردانتظار نسبت به پارامترها است. درمورد روش ترکیبی گاوسی، متغیرهای پنهان zها هستند که در ان z برابر با 1 است. درمورد شبکه های بیز، متغیرهای پنهان، مقادیر متغیرهای مشاهده نشده برای هر مثال است. و درمورد HMMها متغیرهای پنهان، انتقالهای می باشند. با شروع از این شکل کلی، هرزمانکه متغیرهای پنهان مناسب شناسایی شوند، می توان برای یک کاربرد خاص به یک الگوریتم EM رسید. به محض درک ایدة کلی الگوریتم EM، به راحتی می توان به تمام روشهای گوناگون و پیشرفتهای ان پی برد. به عنوان مثال، در بسیاری از حالات، گام E(محاسبة توزیعهای پسین روی متغیرهای پنهان) مانند شبکه های بزرگ بیز، رام نشدنی می نماید. درنتیجه می توان از تخمین گام E استفاده نمود و بازهم به الگوریتم مؤثری دست یافت. با الگوریتم های نمونه گیری مانند MCMC، فرایند یادگیری بسیار شهودی خواهد بود: هر حالت (شکل دهی متغیرهای پنهان و مشاهده شده) که توسط MCMC مورد بررسی قرار گرفته باشد، دقیقا مانند یک حالت مشاهده کامل رفتار می کند. بنابراین، پارامترها می توانند مستقیما پس از هر انتقال MCMC به روز شوند. ثابت شده است که اشکال دیگری از استنتاج تخمینی (مانند روش های ناپایدار و حلقوی)، برای شبکه های بسیار بزرگ یادگیری، بسیار تاثیرگذار عمل می نمایند.