GMM(Gaussian Mixture Model，高斯混合模型)是一个基础且应用很广的模型，在图像分割、对象识别、视频分析等方面均有应用，对于任意给定的数据样本集合，其概率分布可以用几个高斯分布叠加表示，这就是高斯混合模型的由来。GMM 与 K-means 很像，可用于实现聚类，简单说，K-means 将数据归于某类（0/1问题），而 GMM 得到的是一个概率，有多大的几率属于某个类，它的信息要比一个简单的结果多的多，比如两个概率分别为49%和51%,给出这两个概率比直接将数据归于第二类要合理的多。
目前，网络上有很多关于 GMM 的讲解，大多堆积了很多公式，在学习理解了很长时间之后，本 Chat 希望能够以讲道理的方式把这个事情帮大家捋清楚了。重点包括以下内容：
从单高斯模型到高斯混合模型，模型定义，以及针对高斯混合这种参数特别多的模型，该如何使用 EM（期望最大化）算法进行参数估计，并向大家展示为什么 EM 算法能够有效工作。
本场 Chat，你将学会如下内容：
- 了解单高斯模型，其模型参数；
- 解决单高斯模型的两个问题：已知模型参数，由输入计算输出；有数据，进行模型参数估计；
- 高斯混合模型的定义；
- 高斯混合模型的参数估计；
- 证明 EM 算法的有效性。
阅读全文: http://gitbook.cn/gitchat/activity/5aa0983e9b89dc093a7bc43d
您还可以下载 CSDN 旗下精品原创内容社区 GitChat App ，阅读更多 GitChat 专享技术内容哦。
