La estimación de máxima verosimilitud se usa mucho en la práctica.
De hecho, para dar uno de los ejemplos más simples de estimación de ML, cada vez que calcula la media de algo, efectivamente está utilizando la estimación de máxima verosimilitud. En efecto, está asumiendo que los puntos de datos individuales (número real) son sorteos independientes del (mismo) gaussiano con media [matemática] \ mu [/ matemática] y alguna variación.
Si realiza el esfuerzo de escribir el estimador de máxima verosimilitud para [math] \ mu [/ math] basado en variables aleatorias extraídas independientemente de la misma distribución gaussiana, verá que es la media de los puntos de datos individuales. (Tenga en cuenta que lo mismo es cierto para algunas otras distribuciones).
- ¿Se puede utilizar el análisis semántico latente para la clasificación de documentos?
- ¿Cómo se puede utilizar el aprendizaje automático para la metabolómica?
- Cómo usar mel-spectrogram como entrada de una CNN
- En un modelo gráfico dirigido, el aprendizaje es fácil pero la inferencia es difícil. ¿Es esto cierto?
- ¿Qué es la agrupación?
Este es solo el uso más simple. Hay muchos otros casos de uso más avanzados que todavía son prácticos y que se usan regularmente en la práctica.